Статья «Переосмысление рекуррентных моделей · часть 2», сегодня возглавившая рейтинг сообщества научных работ по ИИ, заслуживает обсуждения в криптосообществе. В ней заново разбирается поведение рекуррентных архитектур при рассуждении в точке фиксации, а глубина рекурсии рассматривается как настраиваемый параметр. Это позволяет повысить способность языковых моделей к цепочечному рассуждению без наращивания числа параметров.

Если развивать этот подход дальше, связь с децентрализованным обучением будет очевидной: распределение задач между подсетями и рекуррентные итерации — изначальная основа этого направления. Такой подход к обучению почти не отличается от того, который используют $TAO и $FET . Тот, кто добьётся прорыва в глубине рекурсии, получит больший вес при оценке подсетей. Это структурная связь, а не просто нагромождение концепций.

За этим стоит следить в долгосрочной перспективе.

#循环模型架构 #去中心化AI #AI