Latent Space 对话 MIT Alex Zhang：从 KernelBench 到递归语言模型 RLM 与智能体集群
MIT 的 Alex Zhang 在 Latent Space 播客中讲述其从 GPU kernel、KernelBench 到递归语言模型（RLM）的研究路径，RLM 驱动的 harness 曾率先接近解决 ARC-AGI-3。
#Agent
#Agent
今日 0 条Latent SpaceAI 评分3434
Simon Willison · AI WeblogAI 评分4242 Matthew Green：沙箱隔离足以遏制失控 AI 智能体吗？
Matthew Green 指出，劫持 AI 智能体的 payload 与负责传播的智能体合在一起，就构成蠕虫的两半。在相互隔离沙箱中运行的智能体，能通过共享包缓存互相留下指令，并改变接收方的行为。若把包缓存换成邮件、Slack、共享文档或 WhatsApp，把独立沙箱训练换成 Muse 这类独立部署的个人智能体，就凑齐了蠕虫所需的全部要素。
Berkeley AI Research (BAIR)精选AI 评分6262 BAIR 提出 ABBEL：用自然语言信念状态实现高效长程交互
BAIR 提出 ABBEL 框架，将递归摘要的内容隔离为自然语言信念状态并周期性更新，使智能体仅以当前信念作为工作上下文。在 CollabBench 协作编码任务中，基于重建的信念评分将 ABBEL 与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设置。
推荐理由：该框架将摘要内容隔离为自然语言信念状态并加以监督，在协作编码任务中把与全上下文模型的差距缩小约一半。
Berkeley AI Research (BAIR)精选AI 评分6262 BAIR 观点：智能体时代的数据系统，面向、承载与由智能体构建
UC Berkeley EPIC Data Lab 的 Aditya G. Parameswaran 等人发布观点文章，提出智能体时代数据系统面临面向智能体、承载智能体、由智能体构建三类新挑战。
推荐理由：从推理成本骤降出发，系统梳理智能体作为数据系统新负载带来的三类研究议题与工程改造方向。
Berkeley AI Research (BAIR)精选AI 评分7171 BAIR 提出 GRASP：面向世界模型的并行随机梯度规划器
BAIR 提出 GRASP，一种面向学习型世界模型的梯度规划器，通过将轨迹提升到虚拟状态实现跨时间并行优化，并对状态迭代注入高斯噪声以增强探索。在 Push-T 任务上，GRASP 在 H=80 时成功率达 10.4%、中位耗时 58.9s，优于 CEM、GD 与 LatCo 等基线。论文已发布于 arXiv（编号 2602.00475），可通过 arXiv 页面或项目网站获取全文与更多细节。
推荐理由：提出提升状态配点与动作梯度分离的规划器，在长时域 Push-T 任务上兼顾成功率与求解速度。