NOTAS DE CAMPO / LDM ZARAGOZA / CALATAYUD · 2026
RESEARCH IA/PAPER 02

MEMORIA · AGENTES · CODING

PRO-LONG — Programmatic Memory Enables Long-Horizon Reasoning

ImprescindibleLectura primaria completa

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.

AUTHORS / LABAlexis Fox, Junlin Wang, Paul Rosu, Bhuwan Dhingra
FECHA22 JULIO 2026.
LECTURALectura primaria completa
LECTURA DE 60 SEGUNDOS

Lo esencial antes de invertir más tiempo.

HALLAZGO

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.

EVIDENCIA DISPONIBLE

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.
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.

SIGUIENTE PRUEBA

Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.

EN UNA FRASE

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.

SEÑALagentes, memoria, long-horizon reasoning. · software · legal
EVIDENCIAResultado reportado con fuente enlazada
CONFIANZA EDITORIALMedia
RESULTADOS / PROCEDENCIA

Qué está reportado y qué conviene comprobar.

Hay resultado reportado con fuente enlazada.
RESULTADO REPORTADO

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

RESULTADO REPORTADO

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

RESULTADO REPORTADO

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

RESULTADO REPORTADO

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

LECTURA DEL PAPER / SÍNTESIS EDITORIAL

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].

DECISIÓN RÁPIDAProbar la propuesta en coding agents reproduciendo primero la comparación y registrando calidad, coste, latencia y errores.
NO LO SOBREINTERPRETES

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.

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.
FIELD NOTES / ANOTACIONES

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.

MEMORIA PRIVADAEntra para anotar este paper y conectarlo con otros.
Entrar con ChatGPT
LECTURA AMPLIADAMetodología, implicaciones y preguntas para volver al paper.+
LECTURA EN 90 SEGUNDOSLo que conviene llevarse antes de abrir el PDF.
QUÉ HACE

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…

QUÉ APORTA

Propone una alternativa conceptual muy buena a “más ventana de contexto”: guardar todo, pero convertir la memoria en algo consultable mediante programas.

QUÉ NO PRUEBA

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.

coding agentsasistentes de proyectooperaciones largasjuegosinvestigaciónexpedientes.

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?
PLANTILLA DE PRUEBA / INFERENCIA EDITORIAL

Si tuviera que convertirlo en una prueba mañana.

ENTRADAcoding agents con un conjunto pequeño de casos representativos y la misma métrica o protocolo que la fuente cuando sea reproducible.
PREGUNTA¿La propuesta mejora coding agents frente a la línea base actual?
MÉTRICAComparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
PARADAParar si no aparece una mejora reproducible o si aumenta el riesgo, la complejidad o el coste sin compensación.

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.