一句话看懂：Hugging Face Papers 收录的论文提出 DPDM 架构，让语言模型只负责语义表征、冻结的条件预测器负责从历史经验中推断目标，从而把“从经验中学习”拆成可独立改进的模型能力。摘要显示，在 50 个基准上平均准确率由 78.80% 升至 84.92%。
事件核心：发生了什么
论文摘要显示，作者把工具判断、候选偏好和推理评估等异质决策统一建模为“条件预测”：语言模型编码当前与历史记录的语义，通用条件预测器基于这些证据输出任务定义的目标，二者在部署阶段都不更新神经网络参数。一个冻结的 LimiX-2 预测器服务全部五类任务；以 Qwen3.5-27B 为语义编码器时，DPDM 在 50 个基准上的平均准确率从少样本提示的 78.80% 提升到按各自历史预算评测时的 84.92%，在历史与查询完全相同的条件下为 82.33%。在 ToolPRMBench 的 BFCL 和 ToolSandbox 任务上，绝对增益分别为 34.26% 和 28.87%。以上数据仅出自论文摘要，未经全文实验核验。
为什么重要
这提供了一条与“继续堆参数、扩大上下文窗口”不同的技术路线：把语言预训练获得的语义知识与结构化数据预训练获得的经验推断能力分开供给，再通过共享接口合流。摘要还指出，准确率随历史增长而提升，且在不平衡历史下，五个推理步骤评估任务的平均平衡准确率绝对值提升 14.51%。若结论成立，Agent 的学习能力可以脱离具体应用单独迭代，条件预测模型的进步可能外溢到多种智能体任务。
对用户/开发者/创作者的影响
对开发者而言，值得关注的是“部署证据不更新模型参数”这一设计：它意味着可以通过积累历史记录改善决策，而不必重新训练大模型，推理成本与更新流程可能更可控。对使用 Agent 产品的用户，短期内能否感受到效果仍取决于具体产品是否落地该架构；论文并未发布可用 API 或产品。对做评测与工具调用的团队，BFCL、ToolSandbox 上的增益提示：历史预算与检索方式可能比单纯换更强的大模型更关键。
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。
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
一是作者是否公开代码、预训练预测器及评测配置，以验证摘要数据；二是冻结预测器在长历史、噪声数据或分布漂移下的稳定性；三是是否有 Agent 框架或云厂商将类似“共享条件预测器”纳入产品。目前公开信息显示，这仍是一篇论文层面的方法，尚不能视为已落地的功能。
