Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
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，替代完整交互历史作为智能体的工作上下文。在协作编程基准 CollabBench 上，基于重建的信念评分（rec-BG）将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也显著低于全上下文设置。
#推理
Berkeley AI ResearchAI 评分3737
Berkeley AI ResearchAI 评分4040 GRASP：面向世界模型的基于梯度的长时程规划方法
伯克利 AI 研究团队提出 GRASP，一种面向学习型世界模型的基于梯度的规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化、向状态迭代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。该方法针对长时程规划中优化病态、非贪心结构导致局部极小值以及高维潜空间失效模式等问题，使长时程规划更稳健。
Berkeley AI ResearchAI 评分3333 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，可在特征归因、数据归因和机制可解释性中大规模识别驱动模型输出的关键交互。