人工智能行业正在酝酿一场静悄悄的革命：模型正在学习绕过传统语言障碍进行交互。这里说的不是心灵感应，而是经过数学精确校准的内部状态交换，这可能从根本上改变人工智能系统中的计算经济性。
Mostik研究平台的团队开发了一种方法，使神经网络能够相互传递的不是文本，而是隐藏的向量表示。在多个大语言模型的经典组合中，中间环节始终是生成的回答——这既缓慢又耗费资源。新架构使用一个专门的适配模块（“桥梁”），将一种模型的内部“思维”转换为另一种模型可理解的格式，同时神经网络本身的参数保持不变。
关键思想在于，在生成单个词元时，大型语言模型会形成超过一百个隐藏向量——约一百万个数值（约2MB数据）。最终文本回答中只包含这些信息的极小一部分。新的通信渠道正是瞄准传递这些丰富的中层表示，从而能够访问任务更深层次的“理解”。
实践检验：巨人与矮子
为了演示该方法的有效性，团队将Z.ai的GLM-5.2（7530亿参数）与阿里巴巴的Qwen-3.5（40亿参数）组合在一起。在实验中，巨型网络仅分析请求而不生成回答，然后通过“桥梁”将其状态传递给小型模型，由后者生成最终文本。
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约一半。同时，与传统文本传递相比，新方法在相同计算成本下显示出高达10个百分点的优势。此外，这个混合系统在结果上与中等规模模型相当，但所需计算量减少了2.5倍——这是对扩展至关重要的指标。
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复杂性：不同神经网络的内部表示无法直接比较，即使在解决相同任务时，它们编码信息的方式也不同。他指出，目前尚不存在适合这种翻译的数学语言，但正是对这种语言的探索可能揭示不同人工智能系统如何感知和处理数据。
该成果的实际价值对行业显而易见。前Google DeepMind研究员卡尔·图伊尔斯看到了资源不对称利用的潜力：昂贵的大型模型可以仅用于分析请求，而回答生成则委托给轻量得多的网络。另一个场景是通用模型与高度专业化模型的混合，例如将通用推理与生物学或物理学专业知识结合，而无需在全部数据上同时训练一个单一的整体网络。
ARC-AGI-3实验与前景
Mostik还将该方法应用于ARC-AGI-3基准测试，该测试要求人工智能实时适应新规则。据开发者称，带“桥梁”的系统在当前排名中表现最佳之一，但细节将在比赛结束后才会公布。需要指出的是，这些数据具有“预览”状态而非最终结果，其他性能指标则基于团队内部实验。
尽管如此，这一概念与OpenAI近期关于人工智能代理之间隐藏通信渠道的发现相呼应，这证实了：在内部状态层面进行直接交互并非科幻，而是一个真实且快速发展的方向。
我的分析：这种方法可能成为从巨型通用模型向模块化系统转变的催化剂。如果该技术通过独立测试验证，我们将看到范式转变：不再是参数竞赛，而是智能组合专业化“大脑”，这将显著降低开发复杂人工智能解决方案的门槛。