精选理由
做 AI 智能体高频状态探索（如树搜索、强化学习）的团队，终于有了能跑在毫秒级的沙箱 C/R 方案，不用再被几百毫秒的延迟卡脖子，建议直接看论文实现。
DeltaBox 提出了一种新的操作系统级抽象 DeltaState，用于实现 AI 智能体沙箱的毫秒级检查点与回滚。其核心洞察是：智能体运行中连续检查点高度相似，因此只需复制变化部分而非整个状态。DeltaBox 包含两个协同设计的机制：DeltaFS 通过分层文件系统实现基于变化的文件状态 C/R，DeltaCR 通过增量转储和模板进程 fork 加速进程状态回滚。实验表明，DeltaBox 的检查点和回滚延迟分别仅为 14ms 和 5ms，相比传统全量复制方法大幅降低，使得智能体在固定时间预算内能探索更多节点。该工作对需要高频状态探索的 AI 智能体（如测试时树搜索、强化学习）有重要价值。
AI 翻译 · 中文
DeltaBox 提出了一种新的操作系统级抽象 DeltaState，用于实现 AI 智能体沙箱的毫秒级检查点与回滚。其核心洞察是：智能体运行中连续检查点高度相似，因此只需复制变化部分而非整个状态。DeltaBox 包含两个协同设计的机制：DeltaFS 通过分层文件系统实现基于变化的文件状态 C/R，DeltaCR 通过增量转储和模板进程 fork 加速进程状态回滚。实验表明，DeltaBox 的检查点和回滚延迟分别仅为 14ms 和 5ms，相比传统全量复制方法大幅降低，使得智能体在固定时间预算内能探索更多节点。该工作对需要高频状态探索的 AI 智能体（如测试时树搜索、强化学习）有重要价值。
LLM-powered AI agents require high-frequency state exploration (e.g., test-time tree search and reinforcement learning), relying on rapid checkpoint and rollback (C/R) of the complete sandbox state, including files and p…