现代大型语言模型（LLM）的架构假设，在协同工作时，神经网络仅通过生成文本来进行交流。这是一个巨大的瓶颈：在处理请求的过程中，模型会生成超过一百个隐藏向量——大约一百万个数值，相当于约2MB的内部状态。最终进入文本回答的只是这些信息中极小的一部分。Mostik初创公司的团队提出了一个优雅的解决方案，创建了一个独立的自适应“桥梁”模块，将一种模型的内部表示直接传输到另一种模型的计算空间中，绕过了语言化阶段。
该方法的关键特点是交互神经网络参数的完全静态性。只有中间模块会被调整，它学习映射不同架构的潜在空间。这为构建混合系统开辟了可能性，而无需昂贵的微调训练。
实验：巨人与小矮人的结合
为了验证该方法，研究人员将Z.ai强大的GLM-5.2（7530亿参数）与阿里巴巴的Qwen-3.5（40亿参数）连接起来。在这种组合中，“重型”模型仅负责分析请求，不生成回答。其内部状态通过“桥梁”传递给小型模型，由后者生成最终文本。
结果令人印象深刻：这种配置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。在计算成本相当的情况下，混合系统比传统的文本数据传输方案显示出10个百分点的优势。此外，GLM-5.2与Qwen-3.5的组合在计算上比具有类似质量的单体中型模型大约节省2.5倍。
寻找共同的数学语言
Mostik的首席科学家斯坦尼斯拉夫·斯米尔诺夫强调了该任务的根本复杂性：不同神经网络的内在表示无法直接比较。即使解决相同的任务，模型在其隐藏状态中编码信息的方式也根本不同。“似乎目前还不存在合适的数学语言，”他指出。在他看来，研究这些对应关系可能有助于揭示AI系统如何表示知识和做出决策，并发现它们“推理”中的共同模式。
该开发的实际价值对行业来说是显而易见的。前Google DeepMind研究员卡尔·图伊尔斯设想了一个场景，即资源密集型模型仅用于“思考”，而文本生成由紧凑型模型承担。另一个有前景的方向是将通用模型与生物学、物理学或金融领域的专业专家模型相结合。Lovable的技术负责人弗拉基米尔·阿鲁斯塔米扬认为，这将提高对高度专业化模型的需求，允许从现成组件组装复杂系统。
实战检验：ARC-AGI-3
Mostik还在ARC-AGI-3测试中应用了其方法——这是一组要求AI实时适应新规则的任务。带有“桥梁”的系统在当前排名中显示出最佳结果之一，但由于比赛仍在进行中，细节尚未披露。
然而，对这些声明应持谨慎态度：ARC-AGI-3中的数据具有“预览”状态，基于不完整的测试。所有其他效率指标——缩小模型间差距和降低成本——基于团队内部实验，尚未获得独立验证。
我的分析：这项工作标志着从“通过文本交流”范式向直接交换隐藏状态的重要转变。如果Mostik的结果得到独立测试的证实，我们将站在真正模块化AI系统出现的门槛上，其中“大脑”和“语言”可以分开并单独优化。这不仅仅是优化——这是对人工智能架构的新视角，其中知识在数学抽象的层面上传递，而非通过文字。