推理侧复用旧经验，Isaac框架助多模型大幅提效
机器之心 · wechat · 2026-08-26
针对当前AI能力依赖外挂脚手架、难以自我复用经验的问题，团队提出“启发学习”及推理侧框架Isaac。核心是在推理时注入跨域经验，无需修改基座权重。
技术路径：
- Prompt注入（DIN）：识别域不变神经元，在子空间检索结构对齐的示范并写入提示。
- 网络层注入：在中间层加轻量适配器，用残差方式调制隐状态，对齐源域与目标域分布。
实验效果：
在HumanEval、StrategyQA、ScienceQA、SciCode等基准上，接入Isaac后带来显著增益。例如Claude在HumanEval达100%，Qwen3-8B在StrategyQA达82.3%。弱模型绝对提升往往更大。
该方法试图将大模型认知从外化迁移到内生，实现自我进化。
「研究」频道最新
- 新论文探讨大脑如何利用分层主动推理规划行动 — mjdramstead · 2026-08-26
- AI4Bharat 推 0.8B 参数 IndicOCR，覆盖 9 种以上印度文字 — prajdabre · 2026-08-26
- LAWA 方法：利用潜在动作实现高效世界模型预测 — Xiang Li · 2026-08-26
- FaSHIoNPOp 算法：球面上谱整形无序点快速生成 — ssh4net · 2026-08-26
- IROS 2026: 充气大白皮肤机器人实现全身触觉感知 — nptacek · 2026-08-26
- 开发者自建本地智能体 Secret Agent Bubbles：白天干活晚上自我强化 — cephaloform · 2026-08-26