论文提出任务分解设计法：模型规模不再影响子任务表现
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载扩大模型还是拆解任务
论文把构建 AI 系统时反复出现的选择摆出来：当任务对模型来说太难，是让模型变大、改进提示或做微调，还是把任务拆开，把其中可以确定性求解的部分交给宿主程序，只把真正模糊的残余留给模型。作者的第一项主张是，很多被整体交给模型的任务，其实是确定性任务加一个很小的生成核心。这一判断决定了后续实验的设计：不是去比较哪个模型更强，而是看任务被拆走之后，模型还需要承担什么。
九个模型上的平坦曲线
核心实证结果被称为「构造性对齐」：在拆出的子任务上，模型规模与性能的关系曲线变平，原因是模型不再执行这些子任务。测量覆盖九个模型，参数从 494M 的本地检查点到前沿 Opus 级模型，仅本地系列就有三十倍参数跨度。宿主解析上下文后，九个模型的操作选择得分完全一致，九个中有八个的选择器解析一致；而唯一没有被拆分的标注任务，在同一参数范围内仍表现出随规模变化的斜率。由于任务已经离开模型，现成检查点就够用，不需要任务专用训练，也不需要微调。
方法构成与适用边界
作者给出三步：定位切分点的方法、让切分点得以存在的构造（一个确定性表面及其上的封闭语法），以及让残余部分安全的方式（解析确定性上下文、校验生成输出）。论文把这项工作与神经符号 AI、工具增强语言模型、生成后校验等路线做了定位对比，并明确区分了哪些是实测、哪些只是示例：实测集中在一个领域，物理设置、动作重定向、对象模型编辑以及一个 Web-CLI 工具族中的相同做法属于说明性材料，且该工具族出自同一作者，不构成独立复现。
为什么值得看
提供一种可测量的替代思路：把确定性部分移出模型，性能不再随模型规模变化，也省去微调。
信源1 家
关键事实
论文标题为《Decompose, Don't Expand: Capability-Independent AI Systems by Construction》，作者 Tejaswi Gowda，2026 年 10 月 28 日提交至 …[1]
测量覆盖九个模型，从 494M 参数的本地检查点到前沿 Opus 级模型，仅本地系列就有三十倍参数跨度[1]
宿主解析上下文后，九个模型的操作选择得分相同，九个中有八个的选择器解析相同；无法拆分的标注任务在同一参数范围内仍呈斜率[1]
任务移出模型后，现成检查点即可胜任，不需要任务专用训练和微调[1]
作者称该方法在物理设置、动作重定向、对象模型编辑及一个 Web-CLI 工具族中重复出现，但工具族为同一作者，不构成独立复现[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。