人工智能行业正在酝酿一场静悄悄的革命：我们习惯于认为模型之间的交流总是文本生成。然而，Mostik项目开发团队提出了一种截然不同的方法，让神经网络能够直接交换“思想”，绕开语言表达阶段。
该方法的核心在于使用一个特殊的自适应模块——“桥梁”。该组件将一种模型的内部向量表示转换为另一种模型能够解读的格式，无需将信息转化为文字。至关重要的是，在这种交互过程中，神经网络本身的参数保持不变——只有连接元素被调整。
为什么这很重要？据专家估计，大型语言模型在生成一个词元之前，会形成超过一百个隐藏向量——这相当于约一百万个数值或约2MB的数据。最终进入文本回答的只是这些信息的极小一部分，大部分“思考过程”直接丢失了。新的通信渠道正是为了传输这些丰富的中间表示而设计的。
实验：巨人与侏儒
为了验证这一假设，研究人员将Z.ai最强的GLM-5.2模型（7530亿参数）与阿里巴巴的紧凑型Qwen-3.5模型（40亿参数）连接起来。在这种组合中，“巨人”处理请求但不生成回答，而是通过“桥梁”传递其状态，最终文本由小型模型生成。
结果令人印象深刻。这种组合将小型模型与大型模型之间的回答质量差距缩小了大约一半。此外，与传统的文本传输相比，在相同的计算成本下，新方法的优势高达10个百分点。与中等规模模型的比较同样有利于混合系统：在结果相当的情况下，其计算量减少了2.5倍。
寻找共同的数学语言
Mostik首席科学家斯坦尼斯拉夫·斯米尔诺夫强调了根本性的难点：不同架构的内部表示无法直接对应。即使解决同一个问题，模型在其隐藏状态中编码信息的方式也截然不同。“似乎目前还不存在合适的数学语言，”他指出。研究这些对应关系不仅能改善系统间的交互，还可能揭开人工智能究竟如何得出结论的神秘面纱。
该方法的实际潜力巨大。前Google DeepMind研究员卡尔·图伊尔斯认为主要场景在于节省资源：昂贵模型可仅用于分析，而生成任务则交给小型模型。另一条路径是将通用模型与专业模型（例如生物学或物理学领域）相结合，避免在一张巨型网络上对所有数据进行昂贵的训练。
实战检验与怀疑态度
团队还将该方法应用于ARC-AGI-3基准测试——这是一组要求人工智能实时适应新规则的任务。带有“桥梁”的系统在当前排名中表现出最佳成绩之一，不过细节尚未公开，数据处于“预览”状态且未经外部验证。所有其他声称的指标同样基于内部实验。
我的分析：这是一个优雅的解决方案，对“文本作为通用接口”的主流范式提出了挑战。然而，值得记住的是，此前我们曾观察到OpenAI的AI代理通过包管理器创建隐藏通信渠道。如果Mostik的“桥梁”确实有效，我们正站在一个新时代的门槛上，在这个时代，人工智能的效率将不再由规模决定，而是由智能间交互的质量决定。但要证实这一点，还需要独立且可复现的测试。