arXiv 2026年10月5日作者提出语言模型智能体机器（LAM）这一资源受限抽象，在固定底层语义模型的前提下显式计入 harness 层资源开销，得到通信、访问、重计算与可靠性四类结果，并在 GPT-6 Astra 的受控与留出实验中检验了通信与可靠性预测，包括检查点最优值、程序化检查下的策略选择以及链式 MATH 任务中调用粒度、逻辑输入流量与可靠性之间的权衡。作者提出语言模型智能体机器（LAM）这一资源受限抽象，在固定底层语义模型的前提下显式计入 harness 层资源开销，得到通信、访问、重计算与可靠性四类结果，并在 GPT-6 Astra 的受控与留出实验中检验了通信与可靠性预测，包括检查点最优值、程序化检查下的策略选择以及链式 MATH 任务中调用粒度、逻辑输入流量与可靠性之间的权衡。LAM 资源受限抽象把 LLM 智能体 harness 成本形式化，并在 GPT-6 Astra 上验证通信与可靠性预测作者提出语言模型智能体机器（LAM）这一资源受限抽象，在固定底层语义模型的前提下显式计入 harness 层资源开销，得到通信、访问、重计算与可靠性四类结果，并在 GPT-6 Astra 的受控与留出实验中检验了通信与可靠性预测，包括检查点最优值、程序化检查下的策略选择以及链式 MATH 任务中调用粒度、逻辑输入流量与可靠性之间的权衡。作者提出语言模型智能体机器（LAM）这一资源受限抽象，在固定底层语义模型的前提下显式计入 harness 层资源开销，得到通信、访问、重计算与可靠性四类结果，并在 GPT-6 Astra 的受控与留出实验中检验了通信与可靠性预测，包括检查点最优值、程序化检查下的策略选择以及链式 MATH 任务中调用粒度、逻辑输入流量与可靠性之间的权衡。