LLM 智能体框架的计算成本理论
原文标题：Harnessing LLMs as Agents: What Does It Cost?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出语言模型智能体机器（LAM），一种资源受限抽象，在固定底层语义模型的同时显式计入框架层资源开销。研究给出通信、访问、重计算与可靠性四类结果，包括上下文—内存流量的 I/O 下界、随机与非推测顺序访问的 Θ(n) 差距，以及带闭式最优验证间隔的检查点定律。作者在 GPT-6 Astra 上做了受控与留出实验验证相关预测。
- 问题
- 现有模型能力指标未量化智能体框架层（上下文、记忆、工具、验证）消耗的资源。
- 方法
- 提出资源受限抽象 LAM，固定底层语义模型并显式计入框架开销，推导通信、访问、重计算、可靠性四类理论结果。
- 结果
- 给出上下文—内存流量的 I/O 下界、随机与非推测顺序访问的 Θ(n) 差距，以及带闭式最优验证间隔的检查点定律。
- 影响
- 为智能体框架设计提供可计算的理论成本模型，指导上下文与记忆架构的取舍。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文提出 LAM 抽象，把智能体框架层开销纳入计算资源下界分析。
- •LAM 固定底层语义模型，显式计入 harness 层资源开销
- •通信结果：执行等价于红蓝卵石游戏，把经典 I/O 下界迁移到上下文—内存流量
- •访问结果：指针追逐上随机与非推测顺序访问存在 Θ(n) 渐近差距
- •重计算结果：位反转 DAG 需 Θ(n²/(C+S)+n) 次模型调用，C 为上下文容量、S 为持久内存容量
- •可靠性结果给出阶段局部采样界、不完美验证成本与带闭式最优验证间隔的检查点定律，并在 GPT-6 Astra 上验证
为什么重要：现有模型能力指标不计量框架消耗，LAM 为上下文管理、记忆、验证等 harness 设计提供了可比较的资源理论框架。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。