Berkeley AI Research·· 2026-07-26
Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction
Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction
原始来源：Berkeley AI Research阅读原始报道
AI 导读
研究提出了ABBEL框架，通过信念状态压缩交互历史以解决LLM长程任务上下文膨胀问题。在协作代码生成任务CollabBench中，ABBEL利用重构信念评分机制可将相较全上下文模型的性能差距缩减约50%，并将训练步骤减少一半；在Combination Lock测试中，该方法展示了信念更新与行动选择相结合的有效性。
来源：Berkeley AI Research · bair.berkeley.edu