ABBEL：教 LLM 更新信念状态，实现高效长程交互
研究团队提出 ABBEL 框架，将 LLM 交互摘要建模为自然语言信念状态，并用信念评分监督其内容，以降低长程交互的上下文开销。在 CollabBench 上，ABBEL-rec-BG 将相对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 为 6.01×10²，全上下文为 14.08×10²。
#数据/训练
Berkeley AI ResearchAI 评分4141
Berkeley AI ResearchAI 评分4343 智能免费时代，数据系统如何为智能体而建、由智能体管理、被智能体创造
UC Berkeley 的 Aditya G. Parameswaran 等人提出，推理成本已从 GPT-4 级约 $30/百万 token 降至不足 $1，部分厂商低于 $0.10。
Berkeley AI ResearchAI 评分4141 面向 LLM 的大规模交互识别：SPEX 与 ProxySPEX 算法
伯克利 AI 研究团队提出 SPEX 与 ProxySPEX 算法，可在特征、数据与模型组件归因中高效识别驱动 LLM 输出的关键交互。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融达到 SPEX 的性能。