Qué probaría antes de escalar esta idea.
- PREGUNTA DE PRUEBA
- ¿La propuesta mejora coding agents frente a la línea base actual?
- ENTRADA
- coding agents con un conjunto pequeño de casos representativos y la misma métrica o protocolo que la fuente cuando sea reproducible.
- MÉTRICA
- Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
- PARADA
- Parar si no aparece una mejora reproducible o si aumenta el riesgo, la complejidad o el coste sin compensación.
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Main Results.
Esta prueba es una propuesta editorial: no es un resultado reportado por los autores.
Lo esencial antes de invertir más tiempo.
En vez de resumir continuamente la memoria o meter todo el historial en contexto, PRO-LONG guarda una traza completa y estructurada de interacción y permite que el agente la busque programáticamente, aprovechando precisamente las capacidades adquiridas por los coding agents. En ARC-AGI-3 mejora en promedio 18 puntos frente al agente base y alcanza hasta 76,1% pass\@1 usando 4,2–5,8× menos tokens.
Across all frontier models tested, namely GPT 5.5, Opus 4.6, and Fable 5, PRO-LONG consistently improves by 15.7 – 21.0 percentage points over the base coding agent baseline (no-log, pass@1).
Resultado reportado con fuente enlazada · 5 localizadores disponibles.La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Main Results.
Propone una alternativa conceptual muy buena a “más ventana de contexto”: guardar todo, pero convertir la memoria en algo consultable mediante programas.
En vez de resumir continuamente la memoria o meter todo el historial en contexto, PRO-LONG guarda una traza completa y estructurada de interacción y permite que el agente la busque programáticamente, aprovechando precisamente las capacidades adquiridas por los coding agents. En ARC-AGI-3 mejora en promedio 18 puntos frente al agente base y alcanza hasta 76,1% pass\@1 usando 4,2–5,8× menos tokens.
Qué sostiene esta confianza — y qué sigue sin probarse.
Juicio editorial sobre la transferibilidad de esta lectura; no mide calidad académica ni efecto local.
- FUENTE PRIMARIA
- DOCUMENTADO
Lectura primaria completa registrada sobre v2; comprobación: 2026-08-19 · lectura primaria completa; extracción editorial automatizada, revisión humana pendiente.
- RÉPLICA LOCAL
- PENDIENTE
No se ha registrado una réplica independiente en este sitio. El código o los datos enlazados, cuando existen, no cuentan como réplica.
- LÍMITES
- DOCUMENTADO
3 límites declarados en la ficha.
- APLICABILIDAD
- ACOTADO
Hay una prueba de transferencia con entrada, métrica y parada; su resultado local todavía no se ha observado.
REGLA EDITORIALLos criterios no se promedian automáticamente. Una fuente leída, un límite claro o un protocolo propuesto no equivalen a una réplica ni a un resultado local.
Qué está reportado y qué conviene comprobar.
Across all frontier models tested, namely GPT 5.5, Opus 4.6, and Fable 5, PRO-LONG consistently improves by 15.7 – 21.0 percentage points over the base coding agent baseline (no-log, pass@1).
baseline: Comparación declarada en la sección de evaluación · contexto: 3 Main Results
Under matched scoring setups, 3.1 PRO-LONG either surpasses specialized harnesses (Opus 4.6, + 3 pp at pass@1) or is within comparable range ( 2 – 4 pp on GPT-5.5 and Fable 5).
contexto: 3 Main Results
In Figure 1 , we also compare the billed token cost of our method against the best prior harness on each coding agent, Claude Code and Codex.
contexto: 3 Main Results
PRO-LONG reaches \mathbf{97.4}\% best@2 at a total cost of $1,750; this is a lower bound on best@2, as several games were not rerun.
contexto: 3 Main Results
Qué estudiaron y qué cambia.
La síntesis está separada de los resultados reportados y de las inferencias.PROBLEMA / La señal entra en el radar porque cuanto más historial conserva un agente, más difícil resulta encontrar luego lo que realmente necesita.
MÉTODO / La lectura de 2 Setup & Methods describe la intervención y su construcción: We evaluate on the ARC-AGI-3 benchmark; each ARC-AGI-3 environment consists of six to ten levels of increasing difficulty, with 25 public games in total. The rules of these games are not disclosed. Thus, the agent must infer environment dynamics through exploration. We detail specific environment details and evaluation protocol below. To provide intuition for the games in the benchmark, Figure shows example board states from two: tu93 , a maze game in which the agent must reach a goal tile while disarming turrets, and g50t , where “rewinding” creates a ghost that repeats the agent’s previous path, so runs must… [Fuente: https://arxiv.org/html/2607.20064#S2]
RESULTADO / La sección 3 Main Results informa: Across all frontier models tested, namely GPT 5.5, Opus 4.6, and Fable 5, PRO-LONG consistently improves by 15.7 – 21.0 percentage points over the base coding agent baseline (no-log, pass@1). Under matched scoring setups, 3.1 PRO-LONG either surpasses specialized harnesses (Opus 4.6, + 3 pp at pass@1) or is within comparable range ( 2 – 4 pp on GPT-5.5 and Fable 5). In Figure 1 , we also compare the billed token cost of our method against the best prior harness on each coding agent, Claude Code and Codex. [Fuente: https://arxiv.org/html/2607.20064#S3]
LÍMITE / El cierre de la fuente señala: We evaluate across various frontier models, two of which were released after the benchmark. Although this may advantage agents using those models, including the baselines, ARC-AGI-3 remains useful for relative comparison of long-horizon reasoning and context management methods. We also note the significant variance we see across game runs, and thus report best@ k where possible. This variance motivates several directions for future work. Given the high… La transferencia a coding agents requiere repetir la comparación con datos y criterios propios [Fuente: https://arxiv.org/html/2607.20064#S5].
- PROBLEMA
- Cuanto más historial conserva un agente, más difícil resulta encontrar luego lo que realmente necesita.
- MÉTODO
- La lectura de 2 Setup & Methods describe la intervención y su construcción: We evaluate on the ARC-AGI-3 benchmark; each ARC-AGI-3 environment consists of six to ten levels of increasing difficulty, with 25 public games in total. The rules of these games are not disclosed. Thus, the agent must infer environment dynamics through exploration. We detail specific environment details and evaluation protocol below. To provide intuition for the games in the benchmark, Figure shows example board states from two: tu93 , a maze game in which the agent must reach a goal tile while disarming turrets, and g50t , where “rewinding” creates a ghost that repeats the agent’s previous path, so runs must…
- TIPO DE EVIDENCIA
- La sección 3 Main Results informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2607.20064#S3.
- LÍMITE
- La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Main Results.
La lectura también deja rastro.
Guarda una observación junto a la evidencia. Tú escribes aquí; los agentes pueden añadir notas por MCP y aparecerán identificados.
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
La lectura de 2 Setup & Methods describe la intervención y su construcción: We evaluate on the ARC-AGI-3 benchmark; each ARC-AGI-3 environment consists of six to ten levels of increasing difficulty, with 25 public games in total. The rules of these games are not disclosed. Thus, the agent must infer environment dynamics through exploration. We detail specific environment details and evaluation protocol below. To provide intuition for the games in the benchmark, Figure shows example board states from two: tu93 , a maze game in which the agent must reach a goal tile while disarming turrets, and g50t , where “rewinding” creates a ghost that repeats the agent’s previous path, so runs must…
Propone una alternativa conceptual muy buena a “más ventana de contexto”: guardar todo, pero convertir la memoria en algo consultable mediante programas.
La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en 3 Main Results.
Cómo lo llevaría a un proyecto
Probar la propuesta en coding agents reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.
Preguntas que conviene probar
- ¿La mejora se mantiene cuando coding agents cambia de dominio o distribución?
- ¿Qué componente del método explica la mayor parte del resultado y qué baseline lo pone realmente a prueba?
Si tuviera que convertirlo en una prueba mañana.
Mi lectura
La pregunta operativa es si coding agents puede medirse con una línea base y un criterio de parada claros.
Esta última frase es una inferencia editorial a partir del paper y de sus posibles implicaciones; no es una afirmación de los autores.
La prueba que queda en pie.
¿La propuesta mejora coding agents frente a la línea base actual?