每花 100 个 token，就有 18 个是在白烧钱，看到这个数字我真的有点肉疼。 UCLA 和东北大学的一篇新论文说的就是这个事：智能体输出里有不少浪费，重复策略、反复取同一个文件、走死胡同，可账单只按总数算，根本分不清哪些干了活、哪些白花了。 他们把调用经过一个代理，用 LLM 裁判标出能删还不伤有用工作的片段，删掉再重跑确认没问题，覆盖 6 个前沿模型和 4 个 benchmark，平均下来约 18% 的输出 token 都是能剪掉的。 最夸张...
🌐 链接: https://x.com/taiyanghere/status/2119777705063227590
🏷️ 分组: X｜太阳（taiyanghere）
🕒 时间: 2026-11-09 21:02:43
🌐 链接: https://x.com/taiyanghere/status/2119777705063227590
🏷️ 分组: X｜太阳（taiyanghere）
🕒 时间: 2026-11-09 21:02:43
X (formerly Twitter)
太阳 (@taiyanghere) on X
每花 100 个 token，就有 18 个是在白烧钱，看到这个数字我真的有点肉疼。
UCLA 和东北大学的一篇新论文说的就是这个事：智能体输出里有不少浪费，重复策略、反复取同一个文件、走死胡同，可账单只按总数算，根本分不清哪些干了活、哪些白花了。
他们把调用经过一个代理，用 LLM 裁判标出能删还不伤有用工作的片段，删掉再重跑确认没问题，覆盖 6 个前沿模型和 4 个 benchmark…
UCLA 和东北大学的一篇新论文说的就是这个事：智能体输出里有不少浪费，重复策略、反复取同一个文件、走死胡同，可账单只按总数算，根本分不清哪些干了活、哪些白花了。
他们把调用经过一个代理，用 LLM 裁判标出能删还不伤有用工作的片段，删掉再重跑确认没问题，覆盖 6 个前沿模型和 4 个 benchmark…
