然而，随着工作复杂度不休提升，一个新的问题也逐步浮现：未来的智能系统，是否肯定要依赖一个越来越大的“单体模型”
？还是能够像人类社会、神经系统和推算网络一样，通过多个智能单元之间的衔接、通讯与协同，形成更壮大的系统能力
？ 萦绕这一问题，清华大学姚权铭团队提出了一种新的 AI 系统组织方式：Language Model Networks。有关论文颁发于 ICML 2026，作者为 Shiguang Wu、Yaqing Wang 和 Quanming Yao。该工作进一步设计了LMNet，让说话模型之间可能通过浓密、可微、可训练的方式进行通讯，从而索求从“单模型智能”走向“模型网络智能”的新蹊径。 从前几年，大模型钻研很大水平上萦绕“规模」毓开：更大的参数量、更多的数据、更长的高低文、更强的训练战术。规模扩大带来了能力跃迁，也推动了大模型在真实场景中的宽泛利用。 但当模型起头承担更复杂、更持续、更必要分工的工作时，单体模型也面对新的天堑：它必要同时实现规划、推理、检索、验证、挪用工具和天生了局，系统压力不休集中在一个模型内部。 Language Model Networks 提供了另一种视角：预训练说话模型不用只被看作一个独立预测器，也能够被看作可复用的推算节点
；模型之间的衔接、通讯和协同，也能够成为智能能力的沉要起源。 在现有的大模型推理 test-time scaling、多模型合作和多智能体系统中，模型之间通常通过天然说话进行互换。例如，一个模型先天生一段文字，另一个模型再读取这段文字并持续推理。这种方式直观、易用，也方便人类理解，因而极度适合急剧搭建利用型系统。 说话是离散的、符号化的，模型之间每次互换都必要经历“内部暗示到文本、文本再到内部暗示”的转换过程。这个过程可能带来信息损失，也会打断梯度传布，使得整个系统很难直接凭据最终工作指标进行端到端优化。 在通常神经网络中，神经元通过衔接形成层级结构
；而在 LMNet 中，预训练说话模型被视为可复用的推算节点，模型之间的通讯
？樵蜃槌煽裳盗返南谓颖。 具体来说，LMNet 保留系统最表层的天然说话输入和输出，但在中央模型节点之间，尽量绕开反复的文本天生与文本理解过程，让节点直接互换陆续的浓密向量。这样一来，模型之间的沟通不再齐全依赖人为设计的提醒词、角色分工或中央推理文本，而是能够在训练过程中自动进建出来。 这项工作的关键意思在于，它把“通讯”从表部设计的规定，推动为系统内部可优化的能力。系统不必要报答标注每个中央节点应该说什么，也不必要提前划定每个模型必须表演什么角色。只有最终工作有监督信号，LMNet 就能够通过梯杜着化自动调整模型节点之间的信息流，进建“谁该向谁传递什么信息”。 从这个意思上看，LMNet 更像是一项关于“智能组织方式”的索求。它将大说话模型从单个预测器，推动为可衔接、可组合、可协同的网络化组件
；也将 AI 系统设计从“若何提醒一个模型”，进一步推动到“若何组织一组模型”。 这与测试时推理、多智能体合作、工作流优化等方向存在天然联系，但 LMNet 更进一步关注底层通讯机造自身：让通讯造成可微、可训练、可优化的系统能力。 在通用能力提升尝试中，钻研团队以 Qwen2.5-0.5B 作为基础说话模型节点，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。在额表训练 token 少于 0.1T、训练成本不到基础模型预训练成本 0.2% 的情况下，LMNet 在多个通用工作上获得了显著提升（图 3）。 此表，思考利用单个模型进行推理时 test-time scaling 的步骤，以在靠近的推理功夫开销的前提下进行比力，LMNet 同样展示了显著的机能优势（图 4）。 在有限监督适应的场景中，LMNet 通过进建若何互换通讯来进行适应。机关更幼型的 LMNet，并冻结节点大模型参数只训练边模型的参数，以预防更新大量参数导致的过拟合。和其他 SFT 蕴含 PEFT 步骤相比，LMNet 也展示出显著机能优势（图 5、6）。 这些数字并不是全文最沉要的部门，但它们提供了一个清澈信号：模型之间的可进建通讯，的确可能成为提升系统能力的一条有效蹊径。LMNet 的价值不只在于某个 benchmark 的提升，更在于它证了然一个方向：通讯方式自身能够被进建，模型网络能够从最终工作监督中自动形成更有效的信息流。 这项工作提醒了一种可能的未来方向：下一代 AI 系统不定只是一个不休扩大的模型，而可能是由多个模型、工具、影象和反馈
？楣餐槌傻目山ㄍ。 “沟通即智能”并不是一句单一的标语，而是对未来 AI 系统状态的一种判断。当说话模型起头学会自己“组网”，人为智能将从单体模型能力的竞争，走向系统组织能力、通讯效能和协同进建能力的竞争。 值妥贴心的是，这一方向与技术已经受到大模型系统利用的国际前沿钻研的持续关注。如近期的 Google DeepMind 和 AWS Agentic AI。这些工作也从分歧角度注明：模型间通鸭介、通讯拓扑和可进建接口，在成为构建下一代 AI 系统的沉要技术方向。