Berkeley AI Research 2026 届博士毕业生成果展
Berkeley AI Research（BAIR）庆祝2026届博士毕业生在机器人、大语言模型推理、计算机视觉、生成模型、AI安全及医疗等方向的探索与成果。毕业生将赴高校、产业研究实验室、创业公司任职或继续博士后研究，研究主题还包括蛋白质生成建模、语音建模与人类用户模拟。
#推理
Berkeley AI ResearchAI 评分3232
Berkeley AI ResearchAI 评分4040 自适应并行推理：高效推理扩展的下一范式
Berkeley AI Research 分析自适应并行推理，探索让 LLM 自主决定何时分解任务、生成多少并发推理线程及如何协调。现有的 Best-of-N、MCTS 和 GroupThink 等方法，通常将并行结构或搜索策略预设在模型之外，难以适应不同问题。 sequential 推理还可能带来上下文退化、延迟和计算成本上升。
Berkeley AI ResearchAI 评分4141 GRASP：面向更长时域世界模型的梯度规划方法
Berkeley AI Research 提出 GRASP，通过将轨迹提升至虚拟状态以并行跨时间优化，并在状态迭代中加入随机性，增强长时域探索。GRASP 还重塑梯度，为动作提供清晰信号，同时避开高维视觉模型中易失稳的“状态输入”梯度。