智谱 (Z.ai) 团队 7 月 6 日在 arXiv 公开 CompactionRL (2607.05378),把「上下文压缩」从推理期招数重写为可训练的 RL 原语,直接服务 GLM-5.2 (750B-A40B) 的训练管线。方法用跨轨迹 GAE + token 级 loss 归一化,把任务执行与摘要生成联合优化,让模型在同一份策略里既会干活又会压缩。 效果在开源 MoE 上复现得很整齐:GLM-4.5-Air (106B-A30B) SWE-bench Verified Pass@1 拉到 66.8% (+7.0)、Terminal-Bench 2.0 24.5% (+3.1);GLM-4.7-Flash (30B-A3B) 同两项分别 +5.5、+6.8,跑出 56.0% / 20.2%。 更值得注意的是其解决的真问题:长程 agent 轨迹一旦被压缩,GRPO 这类基于 group-level advantage 的方法会失效,因为同 prompt 不同 rollout 的子轨迹数与长度不再对齐;CompactionRL 切到 critic-based PPO + token 级优势估计,把 RL 的训练假设从「固定长度轨迹」改成「可变长子轨迹」。 工程上也给出基座:训练/rollout 用智谱自研 slime 框架,支持 white/black-box rollout、sub-agent 工作流与 FP8 KV-cache,正好承载 GLM-5.2 的并行 OPD 后训练负载。这意味着 RL 流水线首次把「上下文预算」当成可学习的旋钮,而不只是推理时的兜底——对所有还在纠结 agent 长程规划的团队,这是一份可复用的训练配方。