Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互
Berkeley AI Research 提出 ABBEL 框架，将摘要隔离为自然语言"信念状态"并加以监督，以解决递归摘要带来的性能损失。在协作编码基准 CollabBench 上，ABBEL-rec-BG 将全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值 token 长度也低于全上下文。
#推理
Berkeley AI ResearchAI 评分3333
Berkeley AI ResearchAI 评分2626 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
伯克利 EPIC Data Lab 提出近零推理成本下的三大数据系统挑战：为智能体设计（For Agents）、运行智能体（Of Agents）、由智能体构建（By Agents）。
Berkeley AI ResearchAI 评分3636 自适应并行推理：高效推理扩展的下一个范式
Berkeley AI Research 发布综述，分析并行推理尤其自适应并行推理的进展，探讨让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调。现有方法多从模型外部固定并行结构，难以按问题难度调整并行度。
Berkeley AI ResearchAI 评分2424 GRASP：面向世界模型长时程规划的梯度规划器
Berkeley AI Research 提出梯度规划器 GRASP，通过将轨迹提升为虚拟状态实现跨时间并行优化、在状态迭代上直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的「状态输入」梯度，使世界模型的长时程规划变得可行。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 合作完成。
Berkeley AI ResearchAI 评分2828 Berkeley AI Research 提出 SPEX 与 ProxySPEX，可在规模化 LLM 中识别关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在特征、数据和模型组件归因中识别 LLM 的关键交互，可扩展到比此前方法大几个数量级的规模。