arXiv 论文提出开放世界 AI 三要求：推理时学习、丰富表征与预测解耦

事件核心：发生了什么

这篇题为《Open-world AI: a Tale of Three Requirements》的论文将封闭世界与开放世界对立起来。封闭世界给 AI 的是固定任务和可无限制造的 iid 数据，因此模型可以靠规模化专精；开放世界要求模型处理未预先定义的任务，数据按组出现而非打散，人给的先验也很少。论文把这种能力称为 versatility，并推导出三项必要条件：第一，推理时学习（inference-time learning），即模型在部署时仍能吸收新任务信息；第二，丰富表征（rich representation），保留比 iid 泛化所需要更多的信息；第三，预测解耦（predictive disentanglement），把输入输出对齐到匹配的低维组。摘要还预测一致的内部学习器重要，长上下文跨任务也有帮助。作者用最高 8B 的语言模型做定性测试，看模型是否具备某属性，而不是看它赢了多少分。结果按摘要所述：满足要求的模型随相关任务数据积累而提升，不满足的模型反而退化，扩大规模或交错层类型都修不好。

为什么重要

目前大模型的训练和评测仍以封闭世界假设为主：任务固定、数据打散、规模说话。如果论文结论成立，那它指出的不是一条调参技巧，而是对“继续堆算力和数据就能通向通用”这条路线的一个边界提醒。推理时学习对应持续学习与上下文内更新；丰富表征对应不要过早压缩；预测解耦对应输入输出结构匹配。这三项要求如果被后续工作验证，可能影响开源和闭源模型在训练目标、上下文长度、评测集设计上的思路，而不只是拼榜单分数。目前公开信息显示，这仍是一篇 arXiv 新论文，不是已上线的产品功能。

对用户/开发者/创作者的影响

对开发者，这意味着选择模型时不能只看 iid 基准成绩，要看它在任务数据逐步增加时是变好还是崩掉，尤其是需要 API 免微调、靠长上下文做少样本学习的产品。对做 AI 应用和智能体的团队，长上下文与推理时学习的配合可能比单纯加参数更关键。对内容创作者和企业采购者，短期不必因此改变选型，因为论文没有给出可直接部署的模型或工具；但它提示我们关注“模型是否在相关任务数据增多后变差”这种退化，而不是只对比跑分。训练和推理成本的分界也可能被重新讨论：如果推理时需要更多学习，算力分布会从纯训练转向推理侧。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

第一，看是否有独立复现或后续论文验证这三项要求在更大模型、更多任务上的表现，而不只是 8B 规模。第二，看主流开源模型和闭源 API 是否在版本说明里提到持续学习、长上下文跨任务或防退化训练。第三，关注评测社区会不会加入“相关任务数据累积”的动态评测，取代或补充当前的静态基准。以上判断基于摘要，全文是否支持这些结论仍需核验。

来源：arXiv cs.AI