然而，，，，随着使命重漂后一直提升，，，，一个新的问题也逐渐浮现：未来的智能系统，，，，是否一定要依赖一个越来越大的“单体模子”？？？？？？照旧可以像人类社会、神经系统和盘算网络一样，，，，通过多个智能单位之间的毗连、通讯与协同，，，，形成更强盛的系统能力？？？？？？ 围绕这一问题，，，，清华大学姚权铭团队提出了一种新的 AI 系统组织方法：Language Model Networks。。。。。相关论文揭晓于 ICML 2026，，，，作者为 Shiguang Wu、Yaqing Wang 和 Quanming Yao。。。。。该事情进一步设计了LMNet，，，，让语言模子之间能够通过浓密、可微、可训练的方法举行通讯，，，，从而探索从“单模子智能”走向“模子网络智能”的新路径。。。。。 已往几年，，，，大模子研究很洪流平上围绕“规模”睁开：更大的参数目、更多的数据、更长的上下文、更强的训练战略。。。。。规模扩展带来了能力跃迁，，，，也推动了大模子在真实场景中的普遍应用。。。。。 但当模子最先肩负更重大、更一连、更需要分工的使命时，，，，单体模子也面临新的界线：它需要同时完成妄想、推理、检索、验证、挪用工具和天生效果，，，，系统压力一直集中在一个模子内部。。。。。 Language Model Networks 提供了另一种视角：预训练语言模子不必只被看作一个自力展望器，，，，也可以被看作可复用的盘算节点；
；；；；；模子之间的毗连、通讯和协同，，，，也可以成为智能能力的主要泉源。。。。。 在现有的大模子推理 test-time scaling、多模子协作和多智能系一切中，，，，模子之间通常通过自然语言举行交流。。。。。例如，，，，一个模子先天生一段文字，，，，另一个模子再读取这段文字并继续推理。。。。。这种方法直观、易用，，，，也利便人类明确，，，，因此很是适合快速搭建应用型系统。。。。。 语言是离散的、符号化的，，，，模子之间每次交流都需要履历“内部体现到文本、文本再到内部体现”的转换历程。。。。。这个历程可能带来信息损失，，，，也会打断梯度撒播，，，，使得整个系统很难直接凭证最终使命目的举行端到端优化。。。。。 在通俗神经网络中，，，，神经元通过毗连形成层级结构；
；；；；；而在 LMNet 中，，，，预训练语言模子被视为可复用的盘算节点，，，，模子之间的通讯模浚？？？？樵蜃槌煽裳盗返呐连边。。。。。 详细来说，，，，LMNet 保存系统最外层的自然语言输入和输出，，，，但在中心模子节点之间，，，，只管绕开重复的文本天生与文本明确历程，，，，让节点直接交流一连的浓密向量。。。。。这样一来，，，，模子之间的相同不再完全依赖人工设计的提醒词、角色分工或中心推理文本，，，，而是可以在训练历程中自动学习出来。。。。。 这项事情的要害意义在于，，，，它把“通讯”从外部设计的规则，，，，推进为系统内部可优化的能力。。。。。系统不需要人为标注每其中心节点应该说什么，，，，也不需要提前划定每个模子必需饰演什么角色。。。。。只要最终使命有监视信号，，，，LMNet 就可以通过梯度优化自动调解模子节点之间的信息流，，，，学习“谁该向谁转达什么信息”。。。。。 从这个意义上看，，，，LMNet 更像是一项关于“智能组织方法”的探索。。。。。它将大语言模子从单个展望器，，，，推进为可毗连、可组合、可协同的网络化组件；
；；；；；也将 AI 系统设计从“怎样提醒一个模子”，，，，进一步推进到“怎样组织一组模子”。。。。。 这与测试时推理、多智能体协作、事情流优化等偏向保存自然联系，，，，但 LMNet 更进一步关注底层通讯机制自己：让通讯酿成可微、可训练、可优化的系统能力。。。。。 在通用能力提升实验中，，，，研究团队以 Qwen2.5-0.5B 作为基础语言模子节点，，，，构建 1/4/4/4/1 结构（共 4 层通讯，，，，14 个节点共享参数）的约 1.14B 参数的 LMNet-1B。。。。。在特殊训练 token 少于 0.1T、训练本钱不到基础模子预训练本钱 0.2% 的情形下，，，，LMNet 在多个通用使命上取得了显着提升（图 3）。。。。。 别的，，，，思量使用单个模子举行推理时 test-time scaling 的要领，，，，以在靠近的推理时间开销的条件下举行较量，，，，LMNet 同样展现了显着的性能优势（图 4）。。。。。 在有限监视顺应的场景中，，，，LMNet 通过学习怎样交流通讯来举行顺应。。。。。结构更小型的 LMNet，，，，并冻结节点大模子参数只训练边模子的参数，，，，以避免更新大宗参数导致的过拟合。。。。。和其他 SFT 包括 PEFT 要领相比，，，，LMNet 也展现出显着性能优势（图 5、6）。。。。。 这些数字并不是全文最主要的部分，，，，但它们提供了一个清晰信号：模子之间的可学习通讯，，，，确实可能成为提升系统能力的一条有用路径。。。。。LMNet 的价值不但在于某个 benchmark 的提升，，，，更在于它证实晰一个偏向：通讯方法自己可以被学习，，，，模子网络可以从最终使命监视中自动形成更有用的信息流。。。。。 这项事情提醒了一种可能的未来偏向：下一代 AI 系统未必只是一个一直扩大的模子，，，，而可能是由多个模子、工具、影象和反响模浚？？？？榕浜献槌傻目裳巴。。。。。 “相同即智能”并不是一句简朴的口号，，，，而是对未来 AI 系统形态的一种判断。。。。。当语言模子最先学会自己“组网”，，，，人工智能将从单体模子能力的竞争，，，，走向系统组织能力、通讯效率和协同砚习能力的竞争。。。。。 值得注重的是，，，，这一偏向与手艺已经受到大模子系统应用的国际前沿研究的一连关注。。。。。如近期的 Google DeepMind 和 AWS Agentic AI。。。。。这些事情也从差别角度说明：模子间通讯前言、通讯拓扑和可学习接口，，，，正在成为构建下一代 AI 系统的主要手艺偏向。。。。。