Academia is for Ambition — Alex Zhang, MIT
Latent Space mluví s Alexem Zhangem, PhD studentem MIT a autorem konceptu Recursive Language Models (RLM), podle kterého jsou modely mnohem výkonnější, když mohou se svým vlastním promptem pracovat jako s externím objektem mimo kontextové okno. Diskutují Prime Agent od Prime Intellect – samoučící se RLM harness, který jako první vyřešil ARC-AGI-3 ještě před OpenAI Astrou – a nový koncept Context Language Models (CLM) od Rulin Shao, kde si model spravuje kontext sám bez pevného harnessu. Probírají také AI generované GPU kernely (GPT-5.6 údajně snížil náklady na Tera a Luna kernely o 80 %), OpenAI experiment s 10 000 agenty a 130 miliardami výstupních tokenů (~40 mil. USD ekvivalent výpočtu) a proč mají Claude Code, Codex a Pi strukturálně podobný harness design.
Proč to je důležité: Konkurenční výhoda se čím dál víc přesouvá z volby LLM na architekturu kolem něj – správu kontextu a multi-agentní orchestraci – firmy by měly sledovat vývoj harness designu, i když jde zatím o rané výzkumné koncepty, ne hotová produkční řešení.