研究與評測
據報 BAIR 提出 ABBEL
BAIR Berkeley未證實
據 BAIR Berkeley 單一來源內容，ABBEL 以可監督的自然語言信念狀態取代完整互動歷史，並透過 belief grading 改善長時程 AI 代理的學習效率。CollabBench 結果顯示，相較未採用 belief grading 的版本，ABBEL 將與全上下文模型的效能差距縮小約 50%，訓練步數減少 50%，且峰值 context token 數仍低於全上下文設定。不過其測試通過率與成功率仍略低於全上下文模型，相關結果目前尚無其他來源佐證。
讀原始報導背景
隨著互動任務拉長，LLM 無法無限擴充上下文；傳統做法會透過遞迴摘要或上下文壓縮縮短紀錄，但可能犧牲效能。ABBEL 讓模型以明確、遞迴更新的自然語言「信念狀態」保存精簡且可解讀的工作脈絡，並針對信念內容進行監督；研究亦發現，遺漏、錯誤更新或保留多餘資訊都可能影響表現與記憶使用效率。