FuseSearch: Adaptive Parallelisierung steigert Code‑Lokalisierung um 93,6 %

In automatisierten Software‑Entwicklungs‑Pipelines bleibt die Code‑Lokalisierung ein entscheidender Engpass. Aktuelle Agenten rufen Tools zu 34,9 % redundanterweise auf, was die Vorteile von Parallelisierung zunichte macht. Mit dem neuen Ansatz FuseSearch wird das Problem als Aufgabe der gleichzeitigen Optimierung von Qualität und Effizienz neu formuliert.

FuseSearch definiert die Tool‑Effizienz als Verhältnis zwischen einzigartigem Informationsgewinn und Aufrufanzahl. Durch einen zweiphasigen Trainingsprozess – zunächst mit Supervised Fine‑Tuning (SFT) und anschließend mit Reinforcement Learning (RL) – lernt das System adaptive Parallelstrategien. Im Gegensatz zu starren Breitenanpassungen variiert FuseSearch die Suchbreite dynamisch: zunächst explorativ, später fokussiert auf Verfeinerung.

In Tests auf dem SWE‑Bench‑Verified‑Datensatz erreicht FuseSearch‑4B SOTA‑Leistungen: 84,7 % Datei‑Level‑ und 56,4 % Funktions‑Level‑F1‑Scores. Gleichzeitig erzielt es einen beeindruckenden Geschwindigkeitszuwachs von 93,6 %, nutzt 67,7 % weniger Aufrufe und 68,9 % weniger Tokens. Die Effizienz‑bewusste Schulung eliminiert redundante Signale, steigert die Qualität und macht die Lokalisierungsagenten gleichzeitig leistungsstark und kosteneffizient.