研究提出任务拆解构建能力无关AI系统

2026年10月30日，arXiv Artificial Intelligence 刊出 Tejaswi Gowda 的论文，提出以任务拆解替代模型扩展来构建能力无关的 AI 系统。其思路是把可确定性求解的部分交给宿主程序，模型只处理不可约的模糊残差，从而获得“按构造对齐”特性。报道称，在从 494M 参数本地模型到 Opus 级前沿模型的九个模型上，宿主解析上下文后，操作选择得分在九个模型上完全一致，选择器解析在九个中的八个一致；而无法拆解的标注任务性能仍随模型规模上升。该方法无需任务特定训练或微调，并在物理设置、动作重定向与对象模型编辑中复用。作者同时说明，同一手法在 Web-CLI 工具族中的复现出自同一作者，不构成独立复现；并明确区分了实测的一个领域与其余仅作示例的部分。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。