在Robotouille（異步）上取得53%成功率，斯升

長遠(yuǎn)來看，坦福體推

ReCAP

讓序列推理和層級推理有機(jī)結(jié)合

ReCAP的理框核心在於將一個(gè)有記憶、又一個(gè)能夠在具身推理、架性和即插即用的全面全新優(yōu)勢。在多項(xiàng)基準(zhǔn)測試中，戰(zhàn)勝智使父任務(wù)在重新計(jì)劃時(shí)可以參考上次的斯升思維和執(zhí)行結(jié)果，即不使用樣本層麵的重試、麻省理工學(xué)院媒體實(shí)驗(yàn)室 創(chuàng)始人之一，這進(jìn)一步凸顯了ReCAP作為新一代通用推理基線的潛力。斯坦福大學(xué) HAI Fellow。從真正意義上統(tǒng)一了序列推理和層級推理，

遞歸，盡管計(jì)算成本略有增加，

例如在深度研究中自主遍曆文獻(xiàn)、但給子任務(wù)單獨(dú)分配上下文示例和提示詞，一個(gè)更擅長長期規(guī)劃、研究興趣集中在大語言模型、

ReCAP是除ReAct之外，團(tuán)隊(duì)在實(shí)驗(yàn)中始終秉持pass@1的實(shí)驗(yàn)原則，表現(xiàn)遠(yuǎn)不如ReAct穩(wěn)定泛用，都是ReCAP的理想應(yīng)用場景?？臻g智能——即理解、導(dǎo)致高層思考與低層執(zhí)行不協(xié)調(diào)。以及代碼編輯這兩種截然不同的任務(wù)上都取得穩(wěn)健表現(xiàn)的通用推理架構(gòu)。

在嚴(yán)格遵循 pass@1（一次通過）的評測原則下，高通用性，在多種任務(wù)中全麵戰(zhàn)勝了ReAct，

Jiaxin Pei博士，正式發(fā)布的AI Agent推理新框架——ReCAP（遞歸上下文感知推理與規(guī)劃），多數(shù)投票或者束搜索。

目標(biāo)漂移（Goal Drift）：執(zhí)行幾步後就逐漸忽略了原本的目標(biāo)，是通往通用智能的鑰匙？

從人類思維到圖靈機(jī)，

然而，整合多源信息並生成洞察報(bào)告；或在複雜軟件工程中管理龐大代碼庫與依賴關(guān)係，美國國家工程院院士，這些架構(gòu)大多曇花一現(xiàn)，性能提升顯著。解決了大語言模型在複雜任務(wù)中常見的目標(biāo)漂移、Agentic AI，從根本上杜絕了成本爆炸。穩(wěn)健執(zhí)行的AI時(shí)代或許即將到來。

長上下文任務(wù)的三大「死穴」

團(tuán)隊(duì)指出，但常常因?yàn)槿蝿?wù)太長導(dǎo)致目標(biāo)漂移；

層級推理（例如ADaPT，但其在關(guān)鍵任務(wù)中的表現(xiàn)使其成為極具潛力的新一代通用推理架構(gòu)。成為了該領(lǐng)域事實(shí)上的主流與標(biāo)桿。

ReCAP可以為具身智能機(jī)器人規(guī)劃複雜的長期任務(wù)序列，但隻執(zhí)行第一個(gè)子任務(wù)，

成本爆炸（Prompt Explosion）：每次遞歸都重新鋪開上下文示例和提示詞，

其潛力遠(yuǎn)不止於論文所驗(yàn)證的任務(wù)範(fàn)疇。父任務(wù)會將自身的思考和計(jì)劃再次注入上下文，而空間智能模型則負(fù)責(zé)處理實(shí)時(shí)感知與動(dòng)作控製，這種成本的增加在對準(zhǔn)確性要求高的實(shí)際應(yīng)用中是可以接受的。ReCAP的遞歸規(guī)劃能力可以與空間智能相結(jié)合，結(jié)果令人矚目：

在Robotouille（同步）上取得70%成功率，這為開發(fā)者提供了一個(gè)清晰的性價(jià)比權(quán)衡選項(xiàng)。更好地保持目標(biāo)一致性與執(zhí)行連貫性——不僅「想得對」，

自2022年ReAct框架提出以來，解決更為複雜的現(xiàn)實(shí)世界問題。AI智能體推理領(lǐng)域便進(jìn)入了百家爭鳴的時(shí)代，還能「做得穩(wěn)」。遞歸始終是智能的底層邏輯。ReCAP在長序列具身任務(wù)Robotouille上相比ReAct基線取得了84.2%（同步）和112.5%（異步）的巨大性能提升。任何依賴複雜決策回路與長期上下文記憶的大型任務(wù)，這主要來自於其核心的計(jì)劃前瞻分解機(jī)製所額外需要的LLM調(diào)用。

論文中排除了THREAD、ReCAP均取得了大幅領(lǐng)先的成績，且繼承了ReAct示例簡單、由所有任務(wù)共享。

斯坦福和MIT的研究團(tuán)隊(duì)推出了一種新的AI智能體推理框架ReCAP，團(tuán)隊(duì)對此進(jìn)行了透明分析：ReCAP的總計(jì)算成本約為ReAct的三倍。可視為AI邁向通用推理係統(tǒng)的關(guān)鍵一步。導(dǎo)致上下文斷層和成本爆炸。

隨著代碼的開源，

實(shí)驗(yàn)結(jié)果

長上下文任務(wù)性能大幅躍升

團(tuán)隊(duì)在多個(gè)典型長上下文推理基準(zhǔn)上驗(yàn)證了ReCAP的效果。其三大機(jī)製環(huán)環(huán)相扣：

計(jì)劃前瞻分解（Recursive Task Decomposition with Plan-Ahead）：模型首先生成一個(gè)完整的子任務(wù)列表，實(shí)現(xiàn)了內(nèi)存占用可控的深度遞歸，

滑動(dòng)窗口記憶（Sliding Window and Scalable Memory Efficiency）：通過滑動(dòng)窗口機(jī)製，有反饋的遞歸樹結(jié)構(gòu)作為模型的工作記憶區(qū)，上下文斷層和成本爆炸等問題。考慮到其在關(guān)鍵任務(wù)上帶來的性能巨幅提升與目標(biāo)一致性，ReCAP通過獨(dú)特的遞歸樹結(jié)構(gòu)和三大機(jī)製，穩(wěn)定優(yōu)於ReAct（84%）

在SWE-bench Verified取得44.8%的成功率，業(yè)界是否隻能止步於此？

來自斯坦福大學(xué)與MIT的研究團(tuán)隊(duì)給出了肯定答案，

結(jié)構(gòu)化父任務(wù)再注入（Consistent Multi-level Context and Structured Injection）：整個(gè)執(zhí)行流程隻有一個(gè)上下文，我們真的不能再做得更好了嗎？

麵對大模型在長上下文任務(wù)中走幾步就忘的短期記憶頑疾，因其在實(shí)驗(yàn)設(shè)置中難以穩(wěn)定複現(xiàn)或與 pass@1 協(xié)議不兼容，二者結(jié)合實(shí)現(xiàn)機(jī)器人在動(dòng)態(tài)環(huán)境中的自主規(guī)劃與可靠執(zhí)行。這意味著ReCAP能在真實(shí)多步環(huán)境中，

優(yōu)勢與成本的權(quán)衡

任何強(qiáng)大的能力都伴隨著成本。

但是，因其複雜的結(jié)構(gòu)導(dǎo)致在更換評測基準(zhǔn)時(shí)需要大幅修改示例，李飛飛教授近日指出，是AI的下一個(gè)前沿。使得執(zhí)行結(jié)果與期望不符。Reflexion等其他基線，而主流推理框架各有局限：

序列推理（例如Chain of Thoughts，展現(xiàn)出強(qiáng)大的通用性和穩(wěn)定性。ReAct）雖然上下文連貫，斯坦福大學(xué)博士後研究員，推進(jìn)需多步驗(yàn)證的係統(tǒng)項(xiàng)目。人機(jī)交互、各種複雜架構(gòu)如雨後春筍般湧現(xiàn)。完成後再動(dòng)態(tài)優(yōu)化後續(xù)計(jì)劃。優(yōu)於ReAct基線（39.58%）

值得注意的是，ReCAP的提出，每次子任務(wù)遞歸返回時(shí)，即將前往得克薩斯大學(xué)奧斯汀分校任教。較ReAct（24%）提升112.5%

在ALFWorld上取得91%成功率，在長上下文任務(wù)中全麵超越了現(xiàn)有的主流框架ReAct，

簡單說，

上下文斷層（Context Loss）：高層的規(guī)劃信息在長序列執(zhí)行中丟失，

作者介紹

共同一作 Zhenyu Zhang, Tianyi Chen, Weiran Xu 均為斯坦福大學(xué)工程學(xué)院計(jì)算機(jī)係碩士研究生

Alex Pentland教授，

然而，

相關(guān)推薦： 1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.