【大模型】aiXcoder开源上下文压缩模型aiXcompact-4B

据媒体消息，2026年11月11日，孵化自北京大学软件工程研究所的aiXcoder开源“上下文压缩专用模型”aiXcompact-4B。据介绍，该模型面向编程Agent的长程复杂研发任务，支持单张A100-40GB显卡私有化部署。报道称，不同于Claude Code、OpenCode等主流Agent Harness直接调用通用大模型压缩上下文的方式，该模型用于精简不断累积的历史上下文，保留后续任务所需必要信息，并降低压缩及后续重复输入的Token开销。

根据aiXcoder公布的数据，在Terminal-Bench基准测试上，将aiXcompact-4B接入OpenCode测试上下文压缩，相对DeepSeek-V4-Pro，整体任务完成准确率并未下降；私有化部署下，在针对特定任务的Benchmark上，单次GPU推理成本直降78%。按API调用、根据公开API费用代理估算，单次上下文压缩请求的Token费用为0.019元，相对DeepSeek-V4-Pro、GLM-5.3和Qwen3.8-Max的参考费用，分别降低97.30%、97.08%和97.98%。在目标任务场景下，该模型可将历史上下文平均压缩至原长度的25.89%。报道转述一项基于OpenHands框架、覆盖8个前沿模型的研究称，在SWE-bench Verified实验中，智能体编程任务的平均Token消耗约为417万，是单轮代码推理的3500倍、多轮代码对话的1200倍。

据开源项目介绍，该模型采用结构化判别机制，对历史轨迹生成三类处理决策：完整保留开发者核心需求、关键约束和重要决策等原始消息；保留工具调用并以精简文本替换冗长的文件读取、代码搜索和测试运行等输出；删除重复或不再需要的中间输出，并校验关键信息是否已保留在任务摘要中。完成筛选后生成结构化任务摘要，输出可供Agent继续执行、并维持工具调用与返回结果配对关系的消息序列。

该模型采用教师大模型蒸馏、4B学生模型LoRA微调与结构化压缩决策相结合的训练路径，训练数据全部来自真实研发场景下的Agent运行轨迹。aiXcoder已推出面向代码生成与补全的aiXcoder-7B、面向代码变更应用的aiXapply-4B，以及面向Token消耗优化的aiXpruner-4B等模型，并即将推出面向Agent决策环节的aiXdecision模型，后者在报道时点尚未发布。