追问daily | Nature：贫富差距扩大并不直接损害幸福感；经济压力如何让你失眠；审美偏好是视觉系统的节能策略

长期以来，人们普遍认为贫富差距扩大即经济不平等会损害心理健康和幸福感。然而，瑞士洛桑大学的 Nicolas Sommet 及其团队通过一项大规模研究挑战了这一观点，发现二者之间并无直接的普遍联系，真正的关键在于具体的社会经济背景。

研究团队对涵盖超过1138万名参与者的168项研究进行了荟萃分析。初步分析虽然显示不平等似乎对心理健康有害，但进一步通过统计模型校正了发表偏倚（Publication Bias，指研究结果显著的论文更容易发表的现象）后，这种关联便消失了。研究指出，过往约80%的研究存在高风险的偏倚。利用机器学习和盖洛普数据验证发现，经济不平等的影响高度依赖于环境：它仅在低收入群体中显示出对心理健康的负面影响；在通货膨胀较高的时期，不平等会降低幸福感，而在低通胀时期，不平等甚至可能因被视为经济流动性的信号而提升幸福感。这表明政策应更关注消除绝对贫困和控制通胀，而非单纯缩小差距。研究发表在 Nature 上。

从驴子治百日咳看医疗心理：神秘感如何催生超自然疗法

面对未知的疾病，为何人们会求助于奇特的疗法？为了验证这一心理机制，伦敦布鲁内尔大学的 Mícheál de Barra 和 Aiyana K. Willard 等研究人员组成团队，利用一份珍贵的历史档案进行了定量分析。他们发现，民间医学并非随意形成，而是遵循着特定的心理模式：当病因不明时，人们更倾向于诉诸超自然力量。

这项研究基于1930年代爱尔兰学校收藏项目（The Schools’ Collection）的数据，该项目动员了约5万名小学生收集当地民俗。研究团队从中提取了针对35种疾病的3,655种民间疗法，并邀请医生评估当时普通人对这些疾病病因和机制的理解程度。结果显示，对于割伤等病因明确的病症，疗法多为务实的；而对于百日咳、瘰疬（scrofula，一种颈部淋巴结核）或丹毒（erysipelas，一种皮肤感染）等病因在当时难以捉摸的疾病，采用宗教仪式或巫术疗法（如让生病的孩子从驴肚子下钻过吃“驴气面包”，或利用“第七子”的神秘力量）的可能性高出约50%。值得注意的是，疾病的严重程度、疼痛感或护理需求与超自然疗法的使用并无显著关联。这表明，驱动超自然思维的核心因素是认知上的不确定性，而非恐惧或病痛本身。研究发表在 PNAS 上。

如何将大脑微观的细胞成分与宏观的思维系统联系起来，一直是神经科学面临的重大挑战。佐治亚州立大学及其下属 TReNDS 中心的 Guozheng Feng、Vince D. Calhoun 和 Jiayu Chen 等研究人员组成的团队，通过一项开创性研究，成功揭示了连接大脑微观生物学与宏观组织的详细图谱。该团队整合了来自多所机构的专业知识，旨在解析细胞和分子层面如何构建大脑的功能架构。

研究团队采用了跨学科的方法，结合了脑部扫描、基因数据和分子成像技术。他们整合了转录组学数据（包括微阵列和单核RNA测序）、神经递质分布以及线粒体等能量产生结构的详细信息。通过分析，研究人员发现这些微观生物特征的空间分布与大脑的内在连接网络（Intrinsic Connectivity Networks, ICNs）高度一致。利用中介分析技术，研究进一步证实，大脑网络不仅仅与生物学特征相关，它们实际上充当了“中间人”的角色，积极地将微观的细胞类型与复杂的认知和行为联系起来。这意味着在功能磁共振成像中观察到的大规模网络结构，其根源在于底层的细胞和分子组织。这一发现为理解精神分裂症、抑郁症等疾病中的网络紊乱提供了生物学基础，有助于未来开发针对性的个性化治疗方案。研究发表在 Nature Communications 上。

12岁拥有智能手机增加抑郁、肥胖和睡眠不足风险

智能手机对青少年的健康影响一直是公众关注的焦点。来自费城儿童医院和宾夕法尼亞大學醫院的 Ran Barzilay 和 Samuel D. Pimentel 等研究人员组成的研究团队，利用大规模样本数据，深入探讨了青春期早期智能手机的拥有情况与生理及心理健康风险之间的关联，发现过早拥有手机可能带来显著的负面影响。

研究团队分析了来自青少年大脑认知发展研究（Adolescent Brain Cognitive Development study）的10,588名参与者的数据。研究人员使用混合效应逻辑回归模型，评估了12岁时的智能手机拥有情况及首次获得年龄与健康结果的联系，并对社会经济地位、父母监督等变量进行了调整。

结果显示，与未拥有智能手机的同龄人相比，12岁时拥有智能手机的青少年患抑郁症、肥胖症和睡眠不足的风险显著增加，其比值比分别为1.31、1.40和1.62。此外，获得手机的年龄越早，肥胖和睡眠问题的风险越高。在纵向分析中，研究发现那些12岁时没有手机但在随后一年内获得的青少年，其出现临床级精神病理学症状和睡眠不足的几率，比仍未拥有手机的青少年分别高出57%和50%。这一发现提示监护人需审慎考虑青少年接触智能手机的时机。研究发表在 Pediatrics 上。

受伤的大脑无法补觉：脑外伤后睡眠中断导致REM睡眠永久缺失

睡眠对脑损伤后的康复至关重要，但医院或康复环境中的噪音干扰往往被忽视。为了探究环境导致的睡眠中断如何影响创伤性脑损伤（TBI）的恢复，俄亥俄州立大学的 Olga N. Kokiko-Cochran 和 Christopher Cotter 等研究人员通过小鼠模型，模拟了临床环境中常见的睡眠碎片化现象，发现受伤的大脑在面对睡眠干扰时表现出明显的脆弱性，无法像健康大脑那样通过自我调节来弥补睡眠损失。

研究团队对小鼠实施了模拟跌倒损伤的侧脑室液体冲击损伤（LFPI），并利用机械装置每两分钟打断一次小鼠的睡眠，以模拟睡眠碎片化。通过连续30天的脑电图（EEG）和肌电图（EMG）监测，研究人员详细分析了小鼠的睡眠结构。结果显示，虽然未受伤的小鼠能够通过代偿机制恢复因干扰而损失的快速眼动睡眠，但脑损伤小鼠却完全失去了这种代偿能力，导致REM睡眠永久性缺失。此外，睡眠中断还显著加剧了受伤小鼠的疲劳感，并导致非快速眼动睡眠（NREMS）中的δ波功率（delta power，反映睡眠深度的指标）减弱。这一发现强调了在脑损伤患者的临床护理中，创造安静的睡眠环境对于防止认知功能进一步下降具有关键作用。研究发表在 Experimental Neurology 上。

少即是多：审美偏好是视觉系统的节能策略

为什么某些图像看起来比其他的更令人愉悦？这可能不仅仅是艺术品味的问题，而是大脑为了“省电”的进化策略。来自多伦多大学心理学系的 Yikai Tang、William A. Cunningham 和 Dirk B. Walther 组成的团队，通过结合计算机建模与神经影像学技术，深入探索了审美偏好与大脑能量消耗之间的关系。他们提出，人类对美的感知可能部分源于一种节能机制，即大脑倾向于奖励那些处理成本较低的视觉输入。

研究团队采用了一种双重验证的方法。首先，他们向一个模拟人类视觉系统的人工智能模型 VGG19 展示了4,914张图像，并估算处理这些图像所需的“神经元”活动量。随后，他们对比了1,118名人类参与者对这些图像的喜爱程度评分。为了获得更直接的生理证据，研究人员还利用功能磁共振成像（fMRI）扫描了参与者的大脑，通过测量血氧水平依赖信号来量化视觉皮层在观看不同图像时的实际代谢成本。结果显示，无论是在AI模型中，还是在人类大脑的早期及高级视觉区域，审美评分与处理图像的代谢消耗均呈显著反比关系。换言之，视觉系统处理起来越“省力”的图像，通过视觉通路所需的能量越少，人们就越觉得它美。这一发现赋予了成语“赏心悦目”字面上的生理学意义。研究发表在 PNAS Nexus 上。

为钱失眠：经济压力如何通过睡前行为破坏睡眠质量

经济压力不仅影响生活质量，更在深夜悄然侵蚀人们的健康。为了解这一过程的具体机制，莱斯大学的 Rebecca M. Brossoit 和研究生 Destiny M. Castro，联合波特兰州立大学的 Tori L. Crain、Todd E. Bodner 以及俄勒冈健康与科学大学的 Leslie B. Hammer 等人组成研究团队，通过对现役人员的长期追踪，揭示了经济担忧转化为睡眠障碍的心理与行为路径。

研究团队基于资源保存理论，对陆军和空军国民警卫队的全职成员进行了为期九个月的纵向研究。研究结合了参与者自我报告的问卷数据以及通过腕戴式活动记录仪（actigraph devices）获取的客观睡眠指标。在三个不同的时间节点，研究人员分别评估了参与者的经济压力源、四个月后的睡前行为以及九个月后的睡眠健康状况。核心关注点在于睡前压力行为（stress-before-bed behaviors），即在临睡前表现出的认知和情绪激活状态，如辗转反侧、反复思考财务问题或在脑海中规划第二天的工作。

研究结果发现了一条清晰的级联路径：基线时期较高的财务紧张感、对工作的经济依赖性以及工作不安全感，显著预测了四个月后频率更高的睡前压力行为。进而，这些无法放松的睡前状态直接导致了九个月后失眠症状的加剧、睡眠满意度的降低以及与睡眠相关的日间功能受损。这一发现证实，睡前压力行为是经济压力导致睡眠质量下降的关键中介机制。研究还指出，无论实际收入水平如何，这种财务脆弱感的内在体验都会通过阻碍身心放松来破坏睡眠健康。研究发表在 Journal of Business and Psychology 上。

全球呼吁：气味筛查应纳入公共卫生议程

嗅觉长期以来被视为不如视觉和听觉重要的“灰姑娘感官”，常被公共卫生体系忽视。为了改变这一现状，由东英吉利亚大学（University of East Anglia）的 Carl Martin Philpott 教授领导，联合 Thomas Hummel 和 Valentina Parma 等多位专家组成的国际团队，对嗅觉健康在公共卫生中的地位进行了深入评估。他们旨在揭示嗅觉功能障碍与多种严重疾病的潜在联系，并倡导全球性的干预措施。

该研究通过对现有科学文献的叙述性综述，详细分析了嗅觉健康对身心状态的影响。结果显示，嗅觉功能障碍存在于至少139种神经、生理和遗传疾病中。更为关键的是，嗅觉丧失往往是神经退行性疾病的早期前兆，也是身体虚弱和寿命缩短的独立风险因素。研究指出，目前全人口中约有22%的人存在嗅觉障碍，但相关筛查和治疗严重不足。团队呼吁在全球范围内推行嗅觉筛查计划、教育活动和卫生政策，并特别强调需要采取包容性措施，以解决不同社会群体在寻求嗅觉医疗帮助方面存在的不平等现象。研究发表在 Clinical Otolaryngology 上。

米哈游联合创始人蔡浩宇在其新创办的公司 Anuttacon 低调推出了一款名为 AnuNeko 的 AI 聊天应用，被外界戏称为“游戏版 ChatGPT”。这款应用模糊了聊天软件与游戏的界限，用户可以选择不同性格的虚拟形象（如温和的橙猫或言辞犀利的异国短毛猫）作为对话对象。根据首批用户的实测反馈，AnuNeko 的回复极具人性化，完全摒弃了传统 AI 刻板的公式化应答，尤其在“攻击性”和情绪感知上表现突出。它能够根据用户的情绪调整回复语气，甚至对游戏行业进行辛辣点评，但在逻辑推理和编程等实用技能上表现较弱。这种设计思路与其此前推出的实验性 AI 游戏《Whispers from the star》一脉相承，旨在通过高互动性的对话为用户提供独特的情绪价值，而非单纯的工具属性。 

AnuNeko 的发布反映了当前科技界将 AI Agent深度融入娱乐互动的趋势。除了 Anuttacon，各大科技巨头均在加速布局这一领域：Google 推出了基于 Gemini 模型的 SIMA 2，使其能在虚拟游戏场景中理解复杂的多模态指令；米哈游的新作《Varsapura》（雨之城）利用 LLM构建了动态的城市沙盒，赋予 NPC（Non-Player Character，非玩家角色，游戏中不由玩家直接控制的角色）根据玩家行为实时调整表情和对话的能力；字节跳动也发布了能在《原神》等 3D 开放世界中自由探索的 Agent。Cai Haoyu 通过 AnuNeko 进行的这一尝试，标志着其从传统游戏开发向构建具备高度不可预测性和自由度的 AI 互动体验迈出了重要一步。

AI听懂“心病”：大语言模型精准识别抑郁与焦虑症状

精神疾病诊断往往依赖医生的主观判断，且抑郁症与焦虑症症状重叠度高，临床区分难度大。由 TCCI 人工智能与精神健康前沿实验室与上海市精神卫生中心（SMHC）联合发起的 “灵溪项目”，利用大语言模型技术，探索了在真实临床对话中客观识别精神症状的可行性。

AI 创新中心（AIC）AI 科学家徐诗皓，Theta AI 姜迅、张澍等人依托“灵溪项目”，收集了1160名门诊患者超过15000分钟的真实诊疗录音，构建了高质量的多模态临床语料库。研究采用精神科医生协同标注，对 Qwen2-72B 模型进行了 LoRA微调，使其能够理解专业的临床概念。随后，团队构建了一个融合语言学特征、大模型提取特征和声学特征的集成机器学习系统。

结果显示，该系统在识别临床症状方面表现出色，准确率高达86.9%。具体而言，识别抑郁症状和焦虑症状的准确率分别达到77.2%和74.7%，并在区分这两种疾病的诊断上达到了75.5%的准确率。此外，模型还揭示了显著的语言特征差异：抑郁症患者多表现为“快感缺失”和“意志减退”，而焦虑症患者则更多表现为“紧张”和“无法放松”。这项研究为精神疾病的客观化、标准化诊断提供了有力的技术验证。研究发表在 npj Mental Health Research 上。

当前人工智能的发展往往依赖于海量数据投喂和巨大的算力消耗，这与人类大脑高效的学习方式形成了鲜明对比。为了探索架构设计本身对智能系统的影响，来自约翰·霍普金斯大学的 Atlas Kazemian 和 Michael F. Bonner 等研究人员挑战了这一传统范式。他们发现，只要采用受生物启发的架构设计，人工智能系统在未经任何数据训练的情况下，就能模拟人类大脑的活动，这为构建更高效的AI系统提供了新的理论基础。

研究团队选取了三种主流的AI架构蓝图进行测试：Transformer、全连接网络和卷积神经网络。研究人员构建了数十个未经训练的神经网络变体，向它们展示物体和动物的图像，并将网络的反应与人类及灵长类动物的大脑活动进行对比。结果显示，当对卷积神经网络进行特定调整——即结合空间域的压缩（通过池化技术，Pooling，一种降低数据维度并保留重要特征的方法）和特征域的扩展（增加通道数）时，这些“空白”网络自发产生了与大脑视觉皮层高度一致的活动模式。相比之下，Transformer和全连接网络即使增加神经元也无法产生类似效果。

BrainBody-LLM算法助力机器人模仿人类规划与运动

大型语言模型在机器人领域的应用常因缺乏物理环境感知而受限。纽约大学坦顿工程学院（NYU Tandon School of Engineering）的 Vineet Bhat 和 Ali Umut Kaypak 等研究人员开发了一种名为 BrainBody-LLM 的新算法。该团队通过模仿人类大脑与身体的协作机制，利用双模型架构和反馈系统，显著提升了机器人执行复杂指令的能力和鲁棒性。

该研究的核心在于一种分层规划架构，系统由两个关键组件构成：大脑大语言模型和身体大语言模型。前者负责高层逻辑推理，利用现实世界知识将如“清理桌面”等抽象任务分解为物理上可行的步骤序列；后者则将这些步骤转化为具体的、语法正确的底层控制指令。为了克服模型“幻觉”，研究引入了闭环状态反馈机制。当机器人执行动作遇到障碍或错误时，环境反馈会被实时传回大脑模型，触发重新规划以修正错误。研究团队基于 GPT-5 实现了该算法，并在 VirtualHome 仿真平台及 Franka Research 3 机械臂上进行了广泛测试。结果显示，在包含80项任务的基准测试中，该方法的任务成功率比现有技术提高了17%，总目标完成率达84%，有效证实了利用误差反馈修正规划能大幅提升机器人在真实物理环境中的执行可靠性。研究发表在 Advanced Robotics Research 上。

为了更精准地追踪和理解原本难以量化的新兴技术全貌，来自悉尼科技大学的 Marian-Andrei Rizoiu、Xian Gong、Claire McFarland、Colin Griffith 和 Paul X. McCarthy 等人组成的团队，开发了一套全新的分析框架。他们构建了名为 Cosmos 1.0 的数据集，利用人工智能技术绘制了一幅详细的“创新宇宙图”，旨在帮助政府、企业和投资者深入了解人工智能、量子计算等领域的内部构成及发展趋势。

该研究采用机器学习技术扫描了数百万个维基百科页面、书籍和专利数据。研究人员利用 Wikipedia2Vec（一种预训练的语言模型，用于将单词和实体转换为向量表示）生成了实体嵌入（Entity embeddings，即用数值向量来表示现实世界中的实体，保留其语义和上下文关系），从而构建了一个包含 23,000 多项技术的层级地图。研究发现，这些技术自然聚集成七大集群，包括自主系统、生物技术等，其中六个集群围绕着一个核心的“融合技术”集群运转。此外，团队还引入了包括深科技强度（Deeptech Intensity，衡量一项技术建立在科学研究基础上的程度）在内的四个指标，以评估技术的成熟度和科学根基。这一工具不仅能区分市场炒作与真正的科学创新，还能预测特定行业的未来技术路径。研究发表在 Scientific Data 上。

LLM智能体展现出与人类相似的社交网络形成行为

随着人工智能逐渐融入人类社会，大型语言模型在构建社交网络时是否也会像人类一样行事？Marios Papachristou 和 Yuan Yuan 开发了一套框架，旨在对比LLM智能体与人类在网络形成行为上的异同。研究团队试图探明，这些模型在缺乏明确指令的情况下，是否会自发涌现出复杂的社会网络特征。研究发现，无论是在模拟环境还是基于真实数据的网络中，LLM的选择都高度拟人化，不仅重现了人类社交的关键原则，还能根据具体情境调整策略。

研究团队在友谊、工作场所和电信网络等多种场景下进行了模拟，并对比了约100名人类参与者的调查数据。结果显示，LLM在建立连接时表现出了显著的“优先连接（Preferential attachment，即倾向于连接已有大量连接的节点）”、“三元闭合（Triadic closure，即倾向于连接朋友的朋友）”和“同质性（Homophily，即倾向于连接相似的节点）”。有趣的是，模型展现出了对情境的适应能力：在友谊网络中，它们偏好相似的伙伴；而在职场网络中，它们则模拟了人类的社会流动性，倾向于与管理者建立向上连接。此外，LLM还重现了“小世界（Small-world，即任意两个节点通过短路径相连）”效应。这一发现表明，LLM不仅可以用作社会科学模拟的强大工具，还可以在涉及隐私无法使用真人数据时，作为生成高质量合成数据的有效来源。研究发表在 PNAS Nexus 上。

AI逆向设计打造超静音高效发动机泵

齿轮泵是汽车发动机润滑和变速系统的“心脏”，但传统设计方法受限于固定的数学曲线，难以在效率与降噪间取得突破。釜山国立大学（Pusan National University）的 Rivaldo Mersis Brilianto 和 Chul Kim 等研究人员，利用生成式人工智能技术打破了传统工程设计的瓶颈。他们不再依赖繁琐的手工迭代，而是训练AI理解高性能几何结构与实际效能之间的深层联系，从而实现根据性能目标自动生成最优设计的“逆向工程”。

该研究采用条件生成对抗网络（CGAN），通过学习高性能齿廓数据集，让AI自动合成新型转子轮廓。研究团队开发了专门的坐标提取程序，将AI生成的图像直接转化为可制造的CAD数据，并通过计算流体动力学（CFD）进行了严格验证。结果显示，与传统卵形设计相比，AI设计的部件性能实现了质的飞跃：流动不规则性降低了74.7%，极大地提升了输出稳定性；平均流量增加了32.3%，增强了润滑与冷却效率；最关键的是，出口压力波动减少了53.6%。这一突破意味着未来的汽车发动机将更安静、振动更小且更耐用，该技术也有望成为未来5到10年内工程师的标准设计工具。研究发表在 Engineering Applications of Artificial Intelligence 上。

休斯顿大学开发革命性薄膜材料，大幅提升AI芯片速度并降低能耗

人工智能的爆炸式增长带来了惊人的电力消耗，数据中心为保持芯片低温运行需耗费巨大能源。休斯顿大学的Alamgir Karim团队开发了一种革命性的新型薄膜材料，旨在解决这一瓶颈。该研究由Karim教授及其前博士生、现哥伦比亚大学博士后Maninderjeet Singh主导，并与休斯顿大学土木工程教授Devin Shaffer及博士生Erin Schroeder合作完成。他们利用诺贝尔奖得主相关的有机框架技术，设计出一种特殊的二维薄膜绝缘体，有望替代传统发热元件，从物理层面提升AI计算效率。

研究团队采用了一种名为“合成界面聚合”（synthetic interfacial polymerization）的方法，利用碳和其他轻元素合成了具有高度多孔晶体结构的二维共价有机框架（2D COF）薄膜。这种“低介电常数”（Low-k）材料作为芯片中的基础绝缘体，能有效减少电能储存和热量散发。实验数据显示，该薄膜具有极低的介电常数（κ ≈ 1.17）和超高的介电强度（约 3908 MV/m），其性能甚至可与金刚石媲美。更关键的是，该材料在高达300°C的环境下仍能保持极高的稳定性，并展现出优异的机械强度。这一突破不仅超越了国际半导体路线图的要求，更为开发运行更快、能耗更低的下一代AI芯片奠定了基础。研究发表在 ACS Nano 上。

人造肌腱赋予肌肉驱动机器人强大动力

生物混合机器人利用活体肌肉作为驱动器，但在力量传输和耐用性上一直面临瓶颈。麻省理工学院（MIT）的 Nicolas Castro 和 Ritu Raman 等研究人员组成的团队，从人体生理结构汲取灵感，开发出一种用于生物混合机器人的“人工肌腱”。他们利用坚韧的水凝胶材料，成功构建了模仿自然界“肌肉-肌腱-骨骼”结构的驱动单元，旨在提升机器人的动力输出与模块化设计能力。

该研究通过数学建模确定了人工肌腱所需的理想刚度，随后利用实验室培育的肌肉组织与定制的水凝胶肌腱结合，制造出新型“肌肉-肌腱单元”。研究人员将这种单元连接到机器人抓手的骨架上，并与传统的直接将肌肉附着于骨架的设计进行了对比。结果显示，当肌肉受到刺激收缩时，配备人工肌腱的机器人抓手闭合速度提高了3倍，产生的抓握力惊人地提高了30倍。此外，这种新设计的功率重量比（power-to-weight ratio）提升了11倍，且在超过7000次收缩循环后仍能保持性能稳定，未出现组织撕裂。这一成果不仅解决了软肌肉与硬骨架之间的力学不匹配问题，还为开发微型手术工具及自主探索机器提供了通用的模块化解决方案。研究发表在 Advanced Science 上。

深度学习的“幻象”：谷歌提出嵌套学习范式，赋予AI类脑记忆与自我进化能力

尽管大语言模型在各领域应用广泛，但其“学完即忘”的特性始终限制了其向高级智能体的进化。为了解决模型在持续学习、长期记忆及自我改进方面的根本性难题，来自谷歌研究院的 Ali Behrouz、Meisam Razaviyayn、Peilin Zhong 和 Vahab Mirrokni 团队提出了一种颠覆性的机器学习新范式——“嵌套学习”，试图打破现有架构的局限，让AI真正具备类似生物大脑的记忆与进化能力。

该研究的核心在于将学习过程重新构想为“嵌套学习”（Nested Learning），即把模型视为一组嵌套的、多层级的优化问题集合。研究人员发现，传统的基于梯度的优化器（如Adam）本质上是一种联想记忆模块，通过压缩梯度信息来运作。基于此洞见，团队开发了“深度优化器”（Deep Optimizers）和一种名为“自修改泰坦”（Self-Modifying Titans）的序列模型，后者能够通过学习自身的更新算法来修改自己。此外，他们还构建了一个“连续记忆系统”（Continuum Memory System），消除了长期与短期记忆的僵化界限。结合这些创新，研究团队推出了名为 Hope 的学习模块。实验结果显示，Hope 模块在语言建模、持续学习以及长上下文推理（long-context reasoning）任务中表现优异，不仅为理解大模型中“上下文学习”的涌现提供了数学解释，也为构建能像人类一样持续积累经验的AI系统指明了方向。研究发表在 NeurIPS 2025 上。