Studie: Coding-Agenten profitieren stärker von vollständigen Quelldateien als von Textkompression

So arbeitet CQ2-CARE

CQ2-CARE beginnt mit einem Verzeichnis der Dateipfade. Das getestete Sprachmodell erhält daraus eine Auswahl von Pfaden und soll unabhängig voneinander benennen, welche Dateien geändert werden müssen. Dateien, die in beiden Antworten vorkommen, werden für den Kontext ausgewählt. Wenn sich die Antworten nicht überschneiden, sieht das Verfahren eine Ausweichlösung über eine weitere Antwort vor. [4]

Anschließend kann das Modell nach zusätzlichen Informationen aus anderen Dateien suchen lassen. Dafür formuliert es begrenzte Suchanfragen, etwa nach einer Definition oder nach Stellen, die eine Funktion aufrufen. Eine grep-Suche im Repository liefert passende Fundstellen; die Methode ergänzt kurze Ausschnitte daraus. Der Kern bleibt jedoch, die ausgewählten Dateien vollständig und unverändert zu zeigen. [4]

Die Auswahl benötigt laut Autoren kein separates Kompressionsmodell. Das bedeutet allerdings nicht, dass CQ2-CARE ohne Modellaufrufe auskommt: Das Modell ist an der Dateiauswahl und an der Planung ergänzender Suchen beteiligt. Das Verfahren tauscht somit einen Teil der Textverdichtung gegen Entscheidungen darüber, welche Dateien und Suchstellen in den Kontext gelangen. [4]

• Die Autoren verwendeten unter anderem den Anteil der im Kontext enthaltenen Dateien des späteren Gold-Patches als Maß für die Dateiabdeckung. [4]
• Ein weiteres Maß erfasst, welcher Anteil der Kontextzeilen unverändert dem Repository-Quelltext entspricht. [4]
• Die Dateiauswahl zeigte im Experiment nahezu alle aufgenommenen Zeilen im Original; Größenbegrenzungen können die Ausgabe dennoch beschneiden. [4]

Dateiabdeckung und unveränderter Code

Die beiden Messgrößen helfen, die Resultate zu interpretieren. Ein Retriever kann viele exakte Originalzeilen liefern und trotzdem die relevante Datei verfehlen. Ein Kompressor kann die richtige Datei aufnehmen, dabei aber Text verändern. CQ2-CARE soll beide Probleme zugleich begrenzen, indem es zunächst Dateien auswählt und sie dann vollständig wiedergibt. Die Autoren untersuchten außerdem in kontrollierten Tests, wie sich das Entfernen von Tokens aus ansonsten ausgewählten Kontexten auswirkt. [4]

In einem solchen Test kostete das Löschen von 20 Prozent der Tokens in den CQ2-CARE-Kontexten laut der Zusammenfassung der Autoren 9,7 Prozentpunkte Lösungsquote. Das stützt die These, dass Textveränderungen für die Patch-Erstellung relevant sein können. Es zeigt jedoch nicht, dass jedes entfernte Token gleich schädlich ist oder dass sich der Effekt auf andere Modelle, Sprachen und Aufgabentypen übertragen lässt. [1][4]

Versuchsaufbau und Ergebnisse

Der Vergleich umfasst 300 Aufgaben aus SWE-rebench, jeweils aus einem anderen Repository. Die Aufgaben wurden aus einer Sammlung aktueller Python-Tickets ausgewählt; sie entstanden zwischen Januar 2025 und Mai 2026. Für jede Aufgabe erhielt ein festes Modell die Fehlerbeschreibung und einen Kontext. Die erzeugte Änderung wurde anschließend mit den Tests der jeweiligen Benchmarkaufgabe bewertet. [4]

Die Forscher verglichen CQ2-CARE mit drei Prompt-Kompressoren und drei Retrievalmethoden. Hinzu kamen SWE-Pruner und SweRank, zwei Verfahren, die für Aufgaben zur Softwarefehlerbehebung trainiert wurden. Als Referenz berechneten die Autoren außerdem Ergebnisse mit den aus dem Gold-Patch bekannten Dateien. Das ist eine nachträgliche Vergleichsbedingung und keine Information, die dem Agenten im normalen Einsatz zur Verfügung stünde. [2][4]

Mit GPT-5.6 löste CQ2-CARE 43,7 Prozent der Aufgaben, mit Claude Opus 5 waren es 46,7 Prozent. Gegenüber den stärksten der drei regulären Retriever betrug der Abstand laut Paper 9,3 beziehungsweise 12,7 Prozentpunkte. Die Autoren geben gegenüber dem besten der drei Kompressoren einen Vorsprung von 6,3 Punkten für beide Modelle an. Die in der Ergebnistabelle gerundeten Einzelwerte weichen geringfügig von dieser zusammenfassenden Differenz ab; die zentrale Aussage ist daher der berichtete, nicht ein aus gerundeten Tabellenwerten nachgerechneter exakter Abstand. [1][2][4]

• SWE-Pruner erreichte 41,7 Prozent mit GPT-5.6 und 39,3 Prozent mit Claude Opus 5; CQ2-CARE lag demnach 2,0 beziehungsweise 7,3 Punkte darüber. [4]
• SweRank kam auf 43,0 beziehungsweise 45,0 Prozent. Der Abstand zu CQ2-CARE war mit 0,7 und 1,7 Punkten deutlich geringer; die Tabelle weist dafür keine statistische Signifikanz aus. [4]
• Die Referenz mit den Gold-Dateien erzielte 49,3 Prozent mit GPT-5.6 und 46,3 Prozent mit Claude Opus 5. CQ2-CARE lag damit beim zweiten Modell geringfügig darüber. [4]

Erfolg bedeutet bestandene Benchmarktests

Die Erfolgsquote misst nicht, ob ein Patch von einem Entwicklungsteam akzeptiert oder in einer produktiven Umgebung betrieben wurde. Als gelöst zählt eine Aufgabe im beschriebenen Versuchsaufbau, wenn die für sie vorgesehenen Tests nach Anwendung des Patches bestanden werden. Die Tabellen führen daneben eine Quote für Patches auf, die sich überhaupt anwenden ließen. Diese Unterscheidung ist relevant: Ein Patch kann an der Formatierung oder an abweichendem Ausgangstext scheitern, bevor seine funktionale Korrektheit bewertet werden kann. [4]

Die Autoren berichten, dass Retriever im Allgemeinen die Originalzeilen erhalten, aber häufiger die zu ändernden Dateien verfehlen. Kompressoren können die richtigen Dateien einbeziehen, verändern jedoch eher deren Text. Die unterschiedlichen Fehlerprofile sind eine plausible Erklärung für das Abschneiden im Test; sie sind nicht gleichbedeutend mit dem Nachweis, dass Retrieval oder Kompression grundsätzlich ungeeignet wären. [2][4]

Was der Vergleich für Unternehmen aussagt

Für Unternehmen, die Coding-Agenten entwickeln oder bewerten, legt die Untersuchung eine konkrete Designfrage nahe: Wird das Kontextbudget vor allem für mehr Text aus möglichst vielen Quellen eingesetzt, oder für eine präzise Auswahl der Dateien, die tatsächlich bearbeitet werden sollen? Die Ergebnisse sprechen unter den untersuchten Bedingungen für die zweite Strategie, wenn der Agent exakte Änderungen an Quellcode vornehmen muss. Das ist eine Schlussfolgerung aus dem Benchmarkvergleich, kein Nachweis eines allgemeinen Leistungsvorteils in privaten oder stark abweichenden Codebasen. [4]

Auch die Kostenfrage bleibt offen. Der Versuchsaufbau gleicht vor allem die Größe des an das Modell übergebenen Kontexts pro Aufgabe an. Er belegt nicht, dass die Verfahren gleich viel Rechenzeit benötigen oder dass CQ2-CARE insgesamt günstiger ist. Da das Verfahren mehrere Modellschritte für Lokalisierung und Suchplanung vorsieht, können dafür zusätzliche Aufrufe anfallen. Das Paper stellt in den bereitgestellten Ergebnissen keinen direkten Vergleich von Gesamtlaufzeit oder Gesamtinferenzkosten vor. [4]

Die Autoren setzen das jeweilige Kontextbudget anhand der Länge des von CQ2-CARE erstellten Kontexts fest. Andere Methoden sollten dieses Budget mit einer Toleranz von zwei Prozent treffen. Für einen LongCodeZip-Kontext fanden die Autoren laut Methodenteil jedoch keine passende Einstellung; sie behielten die nächstliegende Ausgabe, die 1,97-mal so groß wie das Zielbudget war. Das ist eine offengelegte Abweichung von der sonstigen Budgetanpassung und sollte bei einer besonders engen Interpretation des Vergleichs berücksichtigt werden. [4]

• Die getesteten Modelle waren GPT-5.6 und Claude Opus 5; daraus folgt keine Prüfung weiterer Modellfamilien oder agentischer Architekturen. [1][4]
• Der Benchmark bestand aus Python-Aufgaben. Aussagen über andere Programmiersprachen oder interne Unternehmens-Repositories sind daher nicht unmittelbar belegt. [4]
• Das Paper ist als arXiv-Version eingereicht; die berichteten Resultate sind Forschungsergebnisse der Autoren und keine unabhängige Validierung. [2][4]

Einordnung der Evidenz

Die Studie liefert einen kontrollierten Vergleich mit festgelegten Tokenbudgets, zwei Modellfamilien und testbasierter Bewertung. Das macht die Ergebnisse aussagekräftiger als einen bloßen Demonstrationsfall, begrenzt ihre Reichweite aber zugleich: Untersucht wurden 300 ausgewählte Aufgaben, nicht die laufende Nutzung in Unternehmen. Insbesondere sagen die Erfolgsquoten allein nichts über Wartbarkeit, Sicherheitsfolgen, menschlichen Prüfaufwand oder die Gesamtkosten eines Agentenworkflows aus. [4]

Der praktische Befund ist damit enger, aber nützlich: Wenn ein Agent in einem begrenzten Kontext Codepatches erstellen soll, kann die unveränderte Wiedergabe sorgfältig ausgewählter Dateien eine wirksame Alternative zum Kürzen von Tokens oder zum Abruf ähnlicher Textpassagen sein. Ob sie sich für einen konkreten Unternehmensprozess eignet, muss jedoch mit dessen Repositorys, Aufgaben und Kostenmaßstäben geprüft werden. [2][4]

Quellen

1. [1] Paper page - Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files — https://huggingface.co/papers/2610.21073 (abgerufen am 2026-10-19)
2. [2] [2610.21073] Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files — https://arxiv.org/abs/2610.21073 (abgerufen am 2026-10-19)
3. [4] Skip the Compressor:Coding Agents Fix More Issues When They Pick Whole Files — https://arxiv.org/html/2610.21073 (abgerufen am 2026-10-19)