精选理由
LLM 开发者常被冗长上下文和重复输出浪费大量令牌预算——Entropy Gate 用热力学思路解决了这个痛点，做长上下文推理或代理应用的团队可以直接集成，省令牌就是省成本。
Entropy Gate 提出了一种基于熵淬火（entropy quenching）的令牌压缩框架，通过为每个令牌计算多因素信息能量，并模拟热力学过程逐步“冻结”低能量令牌，实现近无损压缩。该框架在五种提示类别上达到40-60%的压缩率，同时保持语义保真度（S_E > 0.80）。上下文去重可额外节省50-70%的重复块开销，输出端压缩进一步减少响应冗余。结合外部存储时，代理工作负载的压缩率可达88-96%。该方案无状态、模型无关，可作为兼容OpenAI的HTTP代理部署。
AI 翻译 · 中文
Entropy Gate 提出了一种基于熵淬火（entropy quenching）的令牌压缩框架，通过为每个令牌计算多因素信息能量，并模拟热力学过程逐步“冻结”低能量令牌，实现近无损压缩。该框架在五种提示类别上达到40-60%的压缩率，同时保持语义保真度（S_E > 0.80）。上下文去重可额外节省50-70%的重复块开销，输出端压缩进一步减少响应冗余。结合外部存储时，代理工作负载的压缩率可达88-96%。该方案无状态、模型无关，可作为兼容OpenAI的HTTP代理部署。
LLM pipelines waste substantial token budgets on low-information content: repeated context, verbose responses, and redundant boilerplate. We introduce Entropy Gate, a token compression framework applying entropy quenchin…