基于有效反馈计算的代理束架扩展规律

代理束架越来越重要地决定语言模型系统的性能，其通过决定模型如何调用工具、接收反馈、验证中间状态、存储记忆和修订解决方案。然而，当前的测试时扩展分析常以原始支出——标记、工具调用、操作、运行时间或成本——对该过程进行参数化，这并不区分有用的反馈与冗余或不稳定的交互。我们引入了\emph{有效反馈计算}（Effective Feedback Compute，EFC），这是一种基于跟踪级别的扩展坐标，仅在反馈在formativ、有效、非冗余且被保留用于后续决策时才给予积分，并通过归一化任务需求来比较不同反馈要求的任务。对于合成可控任务、可执行代码任务、真实基准轨迹、 held-out 分组和前瞻性验证批，EFC 基于坐标 consistently predict failure rates better than raw-compute baselines and a strong multivariate SAS baseline。在受控扩展中，raw tokens and tool calls 解释的变异有限（$R^2=0.33$ 和 $0.42$），SAS 达到 $0.88$，而 Oracle-EFC 和 Estimated-EFC 分别达到 $0.94$ 和 $0.99$。匹配预算干预显示，改善反馈质量在 raw cost 和 tool calls 固定的情况下将成功率从 $0.27$ 提升到 $0.90$。在混合真实轨迹上，NRS-EFC/$D_{\mathrm{task}}$ 达到 $R^2=0.92$，而 raw compute 的拟合为近零或负值，它仍是最佳预测器于前瞻性持留组中（$R^2=0.85$）。这些结果表明，代理束架的扩展更多取决于如何将原始计算资源有效地转换为持久、任务足够的反馈。