人工智能行业正在酝酿一场静悄悄的革命：我们习惯于模型之间的通信总是通过文本中介。然而，Mostik 品牌下的开发团队提出了一种截然不同的方法——直接传输神经网络的“思维”，跳过语言化阶段。他们不是生成中间文本，而是使用一个我称之为“桥梁”的特殊自适应模块。该模块将一种模型的内部向量表示转换为另一种模型能理解的格式，而系统本身的参数保持不变。
这是一个根本性的转变。即使生成一个标记，大型语言模型也会产生超过一百个隐藏向量——约一百万个数值，相当于约 2 MB 的数据。而文本回答中只包含其中极小一部分信息。新通道的目标正是传输这些丰富的中间状态。
实验：巨人思考，侏儒说话
为了验证这一假设，研究人员组合了 Z.ai 的 GLM-5.2（7530 亿参数）和阿里巴巴的 Qwen-3.5（40 亿参数）。关键点在于：大型模型处理请求，但不生成回答。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。这种组合弥补了小型模型与巨型模型之间约一半的质量差距。与经典的文本传输相比，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，这种混合系统在质量上与中型模型相当，但所需计算量约为其 2.5 倍少。
寻找共同的数学语言
Mostik 的首席科学家斯坦尼斯拉夫·斯米尔诺夫正确地指出了根本性问题：不同神经网络的内在表示无法直接比较。即使解决同一任务，模型也会以不同方式在其隐藏状态中编码信息。“看起来，目前还不存在合适的数学语言，”他指出。这开辟了一个新的研究领域：研究潜在空间之间的对应关系可能揭示 AI 如何表示知识和做出决策。
该方法的实际价值显而易见。前 Google DeepMind 研究员卡尔·图伊尔斯设想了一个场景：资源密集型模型仅用于“思考”，而文本生成则委托给紧凑型系统。另一条路径是通用模型与专业模型（生物学、物理学）的共生，这避免了在单一系统中同时训练所有数据的必要性。
在 ARC-AGI-3 中争夺领先地位
开发人员将该方法应用于最具挑战性的基准测试 ARC-AGI-3，其中 AI 必须实时适应新规则。带有“桥梁”的系统在当前排名中表现出最佳结果之一，但细节尚未公开——比赛仍在进行中。不过，对这些数据应持谨慎态度：“预览”状态意味着测试集不完整，而其他指标基于团队内部实验。
我的分析：这是对长期存在问题的优雅解决方案。AI 经济受制于推理成本，而能够在模型之间“分工”不仅是优化，更是迈向模块化智能架构的一步。然而，从演示到工业应用的道路漫长：我们仍需学习如何在任意架构之间构建通用“桥梁”，而不仅仅是在特定配对之间。