AgentOCR：通过光学自压缩重构智能体历史记忆

大型语言模型（LLM）的最新进展支持基于强化学习训练的多轮交互智能体系统，但其实际部署受限于不断增长的文本历史记录，导致令牌预算和内存消耗激增。本文提出AgentOCR框架，利用视觉令牌更高的信息密度，将累积的观察-动作历史压缩为紧凑的渲染图像。为实现可扩展的多轮推理，AgentOCR引入分段光学缓存机制，通过将历史分解为可哈希片段并维护视觉缓存，避免冗余重渲染。此外，该框架还提出智能体自压缩机制，使智能体能主动输出压缩率，并通过压缩感知奖励进行训练，以自适应平衡任务成功率与令牌效率。在ALFWorld和基于搜索的问答等挑战性基准上的实验表明，AgentOCR在保持超过95%文本智能体性能的同时，显著降低令牌消耗（>50%），并实现一致的令牌与内存效率提升。