大模子的能力正在被差别的范式逐步解锁：In-Context Learning 展示了模子无需微调即可泛化到新使命 ；；；；； ；Chain-of-Thought 通过指导模子分步推理来提升重大问题的求解能力 ；；；；； ；近期，，， ，，智能体框架则付与模子挪用工具、多轮交互的能力。。。。 。。。
沿着这条手艺演进蹊径，，， ，，下一步是什么 ？？？？？
克日，，， ，，来自中国人民大学高瓴人工智能学院、微软研究院和清华大学的研究者提出了一个精练而有用的范式：LLM-in-Sandbox——让大模子在代码沙盒（即虚拟电脑）中自由探索来完成使命。。。。 。。。实验批注，，， ，，这一范式不但在代码使命上有用，，， ，，更能显著提升模子在数学、物理、化学、生物医学、长文本明确、指令遵照等多个非代码领域的体现，，， ，，且无需特殊训练，，， ，，同时显著镌汰长文本场景下的 token 消耗，，， ，，并坚持相当水平的推理速率。。。。 。。。
研究者已将 LLM-in-Sandbox 开源为 Python 包，，， ，，可与 vLLM、SGLang 等主流推理后端无缝集成。。。。 。。。LLM-in-Sandbox 应当成为大模子的默认安排范式，，， ，，取代纯 LLM 推理。。。。 。。。
论文问题：LLM-in-Sandbox Elicits General Agentic Intelligence论文链接：https://arxiv.org/abs/2601.16206代码链接：https://github.com/llm-in-sandbox/llm-in-sandbox项目主页：https://llm-in-sandbox.github.io
1. 焦点头脑：给大模子一台电脑
电脑可能是人类创立的最通用的工具，，， ，，险些任何使命都可以通过电脑完成。。。。 。。。这种通用性源于三大元能力（Meta-Capabilities)：
外部资源会见：通过网络获守信息和知识文件治理：长期化地读写和组织数据程序执行：编写并运行恣意程序
正如人类借助电脑完成种种使命，，， ，，研究者假设：将大模子与虚拟电脑团结，，， ，，或许能够解锁其通用智能的潜力。。。。 。。。
2. LLM-in-Sandbox：
代码沙盒引发通用能力
2.1 轻量级通用沙盒
与现有软件工程智能体（SWE-Agent）需要为每个使命设置特定情形差别，，， ，，LLM-in-Sandbox 接纳轻量级、通用化的设计：
基于 Docker 的 Ubuntu 情形仅预装 Python 诠释器和基础科学盘算库将领域特定工具的获取交给模子自主完成
这种设计带来两个优势：泛化性（统一情形支持多种使命）和可扩展性（无需为每个使命维护自力镜像）。。。。 。。。例如，，， ，，当扩展到数千个使命时，，， ，，SWE 智能体可能需要高达 6TB 的存储空间用于使命特定镜像，，， ，，而 LLM-in-Sandbox 仅需约 1.1GB 的共享镜像。。。。 。。。
2.2 最小化工具集
研究者为模子配备了三个基础工具：
execute_bash：执行恣意终端下令str_replace_editor：文件的建设、审查和编辑submit：标记使命完成
这三个工具配合实现了电脑的焦点能力，，， ，，足以支持重大使命的完成。。。。 。。。
2.3 探索式事情流
LLM-in-Sandbox 接纳多轮交互的事情流：模子在每一轮天生工具挪用，，， ，，吸收执行效果作为反响，，， ，，然后决议下一步行动，，， ，，直到挪用 submit 或抵达最大轮次限制。。。。 。。。
2.4 实验效果：无需训练的显著提升
研究者在六个非代码领域举行了实验：数学、物理、化学、生物医学、长文本明确和指令遵照。。。。 。。。
实验效果批注，，， ，，强盛的语言模子在 LLM-in-Sandbox 模式下获得了一致性的提升。。。。 。。。值得注重的是，，， ，，这些提升完全无需特殊训练：模子能够自觉地使用沙盒情形来增强使命体现。。。。 。。。
2.5 涌现的工具使用能力
研究者通过案例剖析展现了模子怎样自主使用沙盒的三大能力。。。。 。。。
外部资源会见：在化学使命中，，， ，，模子被要求凭证化合物名称展望分子性子。。。。 。。。为此，，， ，，模子自主装置了 Java 运行情形，，， ，，并下载了 OPSIN 库来将化学名称转换为分子结构，，， ，，这些工具并非预装在基础情形中。。。。 。。。
文件治理：在长文本明确使命中，，， ，，面临凌驾 100K tokens 的行业报告，，， ，，模子并未实验在 prompt 中处置惩罚整个文档，，， ，，而是使用 grep、sed 等 shell 工具定位相关段落，，， ，，然后编写 Python 剧本系统性地提守信息。。。。 。。。
盘算执行：在指令遵照使命中，，， ，，模子被要求天生三个知足严酷约束的句子：所有句子必需具有相同的字符数，，， ，，同时使用完全差别的词汇。。。。 。。。模子编写了 Python 脚原来统计字符、检测词汇重叠，，， ，，并迭代优化候选句子。。。。 。。。
3. LLM-in-Sandbox RL：
通过强化学习增强泛化能力
虽然强盛的智能体模子能够直接受益于 LLM-in-Sandbox，，， ，，但较弱的模子（如 Qwen3-4B-Instruct）往往难以有用使用沙盒情形，，， ，，甚至体现不如纯 LLM 模式。。。。 。。。
为此，，， ，，研究者提出了LLM-in-Sandbox RL：使用非智能体数据在沙盒情形中训练模子。。。。 。。。
3.1 要领设计
焦点头脑是接纳基于上下文的使命（context-based tasks）：每个使命包括配景质料和需要基于这些质料完成的目的。。。。 。。。由于完成目的依赖于提供的质料，，， ，，模子必需自动探索沙盒以找到相关信息，，， ，，从而自然地学会使用沙盒能力。。。。 。。。
3.2 泛化能力
实验在 Qwen3-4B-Instruct 和 Qwen3-Coder-30B-A3B 两个模子上举行。。。。 。。。要害发明是LLM-in-Sandbox RL 展现出强盛的泛化能力：
跨领域泛化：训练数据来自通用领域，，， ，，但模子在数学、物理、化学、长文本、指令遵照等多个下游使命上都获得了一致的提升，，， ，，甚至在软件工程使命上也有改善。。。。 。。� ？？？？？缤评砟Ｊ椒夯河腥さ氖�，，， ，，LLM-in-Sandbox RL 不但提升了沙盒模式的体现，，， ，，还同时提升了纯 LLM 模式的体现。。。。 。。。这说明在沙盒中学到的探索和推理能力可以迁徙到非沙盒场景。。。。 。。� ？？？？？缒Ｗ幽芰Ψ夯何蘼凼墙先醯耐ㄓ媚Ｗ樱≦wen3-4B-Instruct）照旧较强的代码专用模子（Qwen3-Coder-30B-A3B），，， ，，LLM-in-Sandbox RL 都能带来一致的提升，，， ，，批注这一要领具有优异的模子通用性。。。。 。。。
4. 效率剖析：
LLM-in-Sandbox 的现实安排价值
4.1 Token 消耗
在长文本场景下，，， ，，LLM-in-Sandbox 将文档存储在沙盒中而非放入 prompt，，， ，，可将 token 消耗降低最多 8 倍（100K → 13K tokens）。。。。 。。。
4.2 推理速率
通过将盘算卸载到沙盒，，， ，，LLM-in-Sandbox 将事情负载从慢速的自回归天生（decode）转移到快速的并行预填充（prefill)，，， ，，在平均情形下坚持有竞争力的吞吐量（QPM）：MiniMax 可实现 2.2 倍加速。。。。 。。。
5. LLM-in-Sandbox 逾越文本天生
前面的实验评估的是 LLM 和 LLM-in-Sandbox 都能完成的使命。。。。 。。。然而，，， ，，LLM-in-Sandbox 还能实现纯 LLM 基础无法完成的能力。。。。 。。。通过给 LLM 提供虚拟电脑，，， ，，LLM-in-Sandbox 突破了 text-in-text-out 的范式，，， ，，解锁了新的可能性：
跨模态能力：LLM 局限于文本输入输出，，， ，，但 LLM-in-Sandbox 可以通过在沙盒中挪用专业软件来处置惩罚和天生图像、视频、音频和交互式应用文件级操作：不再是形貌文件应该包括什么，，， ，，而是直接天生可用的文件 ——.png、.mp4、.wav、.html自主工具获取�。。。 。。。翰畋鹩谠そ缢档墓ぞ吲灿�，，， ，，LLM-in-Sandbox 使 LLM 能够自主发明、装置和学习使用恣意软件库
这些案例展现了一个有远景的偏向：随着 LLM 能力的增强和沙盒情形的完善，，， ，，LLM-in-Sandbox 可能演化为真正的通用数字创作系统。。。。 。。。
6. 总结与展望
LLM-in-Sandbox 提出了一个精练而有用的范式：通过给大模子提供一台虚拟电脑，，， ，，让其自由探索来完成使命。。。。 。。。实验批注，，， ，，这一范式能够显著提升模子在非代码领域的体现，，， ，，且无需特殊训练。。。。 。。。
研究者以为，，， ，，LLM-in-S江苏金陵环保工程有限公司andbox 应当成为大模子的默认安排范式，，， ，，取代纯 LLM 推理。。。。 。。。当沙盒可以带来显著的性能提升，，， ，，并且安排本钱险些可以忽略不计时，，， ，，为什么还要用纯 LLM ？？？？？