Berkeley AI Research 探讨近免费智能时代的数据系统与智能体
Berkeley AI Research 提出,随着 AI 推理成本快速下降,数据系统将形成面向智能体、承载智能体和由智能体生成三类新方向。研究涵盖智能体推测、结构化记忆、多智能体协调,以及按工作负载生成可验证的自定义数据系统。
Berkeley AI Research 提出,随着 AI 推理成本快速下降,数据系统将形成面向智能体、承载智能体和由智能体生成三类新方向。研究涵盖智能体推测、结构化记忆、多智能体协调,以及按工作负载生成可验证的自定义数据系统。
Berkeley AI Research 综述自适应并行推理(APR),让模型在推理时自主决定何时分解任务、启动多少线程及如何协调。文章比较 ParaThinker、GroupThink、Hogwild!
推荐理由:文章系统梳理了让模型按问题难度动态决定并行度的研究路线,并比较推理引擎改造与客户端编排两类实现取舍。
Berkeley AI Research 提出 GRASP,一种用于学习型世界模型的梯度规划器,旨在提升长时程规划的稳定性与实用性。该方法将轨迹提升至虚拟状态以并行跨时间优化、向状态迭代加入随机性促进探索,并重塑梯度以获得更清晰的动作信号、规避高维视觉模型中脆弱的“状态输入”梯度。
Berkeley AI Research提出SPEX与ProxySPEX,用于在规模化LLM分析中识别关键交互。方法利用稀疏性、低度性和层级结构,以较少消融实验支持特征、数据及模型组件归因,ProxySPEX约以10x更少消融实验达到SPEX的性能。两者代码已集成至SHAP-IQ仓库,相关论文分别发表于NeurIPS 2025和ICML 2025。