推荐文章7

Thinking Machines：模块化流形让训练更优

AGI Hunt2025-09-27

AI 摘要

Thinking Machines实验室提出模块化流形理论框架，让神经网络训练更稳定高效。通过在权重矩阵施加流形约束，提出流形Muon优化器，实验显示其效果超AdamW，还探讨了扩展到大型网络的方法及未来工作方向。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

840亿AI公司发布第二篇研究论文

明星创业公司Thinking Machines公开第二篇研究论文，主题为“Modular Manifolds”，通过统一框架约束和优化网络不同层/模块，提升训练稳定性与效率。论文提出模块化流形思路，若应用于大模型，训练效率和稳定性将大幅提升。

Mira Murati团队分享神经网络训练推理新研究，提出“模块化流形”让训练更稳定。将权重约束在Stiefel流形，设计Manifold Muon优化器，实验显示效果好，但计算开销和理论问题待解决，代码已开源。

本文汇总2026年全球顶尖AI机构在递归自我改进（RSI）领域的最新实践，涵盖技术进展、行业动态，也包含学界质疑与风险讨论，完整梳理AI造AI的当前阶段与未来走向。

源升智能创始人杨思成深耕灵巧手领域十余年，在本次访谈中分享了对灵巧手行业技术路线、产品定位的判断，提出当前阶段需打造全维度高性能的高自由度灵巧手。