Teaching LLMs to Update Beliefs for Efficient Long-Horizon Interaction
ABBEL 与传统递归摘要相比的概述。信念取代了完整的交互历史作为代理的工作环境，信念分级通过监督每个信念状态的内容来提高性能。随着任务范围的增长，LLM 环境无法永远扩展。自总结可以实现简洁、可解释的上下文，但会带来显着的性能成本，特别是对于高质量数据稀缺的人工辅助领域，例如协作代码生成。我们用 ABBEL 来解决这个问题：一个框架，以自然语言信念状态的形式隔离和监督摘要的信息内容。动机：递归摘要的成本对于语言模型来说，要有效地协助日益复杂的任务，例如软件开发，它们必须能够与我们进行数百甚至数千个步骤的交互。对于如此长的任务，将整个交互的历史记录保存在上下文中是不切实际的。迄今为止使用的启发
DataRobot OpenCode: your coding agent, your model choice
DataRobot OpenCode：您的编码代理，您的模型选择 市场上有 70 多种编码代理：Claude Code、Codex、Cursor、Copilot、Devin，以及每周都会出现在工程师新闻源中的一长串较小的参与者。有人运行了基准测试，发布了排行榜，到了本周末，一半的组织想要......帖子 DataRobot OpenCode：您的编码代理，您的模型选择首先出现在 DataRobot 上。
活蜘蛛和 Kwonkan 洞穴。幼年 K. eboracum。 B 雌性 K. wonganensis C 幼体 K. sp. ‘MYG978’ D K. eboracum 的洞穴入口形态（开放）； E K. wonganensis（已关闭）； F K. sp。 ‘MYG978’（开放）G、H 火鸡的洞穴入口形态，显示独立式 (G) 和树叶支撑 (H) 洞穴入口。 I 华盛顿伦斯特附近未描述的 Kwonkan 物种的洞穴入口形态（开放），Wilson、Urso、Rix 等 Harvey，2026 年。DOI：doi.org/10.3897/asp.84.e189518 照片：A、C、F、I 由
