Berkeley AI Research 综述自适应并行推理：从固定并行到模型自主调度
Berkeley AI Research 发布综述，介绍自适应并行推理让推理模型在推理时自行决定何时拆分、并发几个线程以及如何协调，以此缓解序列推理随探索变长带来的延迟和上下文退化。
推荐理由：文章系统梳理了并行推理的技术路线，给出了两种实现架构与奖励设计的对比，便于判断哪条路径适合你的硬件约束。
技术方向
推理能力 最新动态
让大模型先想再答的能力：思维链、推理模型，数学与逻辑评测上的突破和争议。
42 条精选近 30 天 38 条共收录 59 条
更新
精选归档 · 第 3 页
Berkeley AI Research精选AI 评分3838
Berkeley AI Research精选AI 评分5454 GRASP：面向世界模型的长视野梯度规划方法
Berkeley AI Research 提出 GRASP，一种用于学习动态模型（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时间维度并行优化，直接为状态迭代添加随机性，并重塑梯度以避开高维视觉模型中脆弱状态输入梯度，从而让长视野规划更加稳定高效。
推荐理由：文章解释了长视野梯度规划中状态梯度的脆弱性，并提出通过动作梯度重塑提升鲁棒性的方法。