MIT 研究者 Alex Zhang 深谈:更好的 harness 能释放模型潜在能力
Latent Space · youtube · 2026-10-02
Latent Space 播客本期嘉宾是 MIT 博士生、Recursive Language Models(RLM)作者 Alex Zhang,与 swyx 对谈 coding agent 架构与前沿研究话题。
核心观点:
- Claude Code、Codex 等主流编码 agent 在结构上高度相似,都是「模型 + 简陋 harness」的组合;当前模型可能存在大量能力过剩(capability overhang),更好的 harness 设计(上下文卸载、代码执行、递归子 agent、共享记忆)能直接释放这些潜在能力。
- RLM 提出递归式语言模型架构;Prime Agent 探索持续运行的 harness 与持久化 agent 间通信。未来的「语言模型」可能表层是简单接口,底层实为不可见的 agent 集群。
- OpenAI 曾做 1 万 agent 实验:消耗 1300 亿输出 token、等值约 4000 万美元来解决单一问题;但集群中大量搜索可能被浪费,收敛仍然困难。Kimi 的 swarm 思路与 OpenAI 路线不同。
其他话题:AI 生成 GPU kernel 为何仍不及人类专家;GEV 等非自回归替代架构;SWE-bench、ReAct、Quiet-STaR 背后的研究品味;speculative programmatic tool calling 让工具执行与生成重叠;英语/代码/「Neuralese」是否约束模型推理;以及学术界为何应下产业界不敢下的赌注。
所属事件:MIT 博士 Alex Zhang 深谈递归语言模型释放模型潜力(2 条相关)→
「编程与Agent」频道最新
- Brian Armstrong:专业化开源模型团队协作可胜过前沿大模型 — markjeffrey · 2026-11-19
- onboarding 该为 Agent 重做:用消耗的 token 数来衡量 — yenkel · 2026-11-19
- 提示词技巧:用「不设限于具体细节」描述氛围避免模式坍缩 — gabriel1 · 2026-11-19
- AI Agent 护栏分三类:输入、输出与限流的工具护栏 — Zachly · 2026-11-19
- Ramp 实测:原生 harness 普遍提升模型解题率,但效果因模型而异 — xeophon · 2026-11-19
- 物理学家用 Claude 写 JS,做出嵌入实时演示的网页讲义 — IgorCarron · 2026-11-19