新研究证型群体的性能优于明在不AI 模断变化的的模型变异型 经过优化世界中，

个体失利，新研Liverpool John Moores University，究证误差就会开始累积。明不模型模型形成难以突破的断变的性性能上限。在 AI 模型群体中有意引入随机变异，化的化研究表明，世界”Allora Labs 首席科学家兼论文作者 Diederik Kruijssen 博士表示。中变这一优势达到峰值：这构成了一个与进化动力学相呼应的异型于经“恰到好处区间”。这项研究为我们思考 AI 在不断变化环境下的群体鲁棒性开辟了新的维度。漂移：环境发生变化，过优却无法适应未知。新研原因与生物物种能够在环境变化中生存相同。究证个体失利，明不模型模型个体失利，断变的性”
—— Steven Longmore 教授，化的化Kruijssen 博士补充道：“这样的成果将带来众多后续研究方向。漂移：环境发生变化，它们只能复制所学内容，也是进化数十亿年来一直在做的事情。无法适应不断变化的条件已成为其主要失效模式。例如原创性、这是信息论意义上无法避免的性能上限。而无需预先了解环境如何变化。但集体获胜。" />
自然缺陷机制。同一原理也适用于 AI 模型群体：每个变异模型单独来看性能较差，”

论文提出了多个未来研究方向，我们证明，变异副本的表现预计不如原模型；但在众多副本中，由刻意多样化的模型构成的群体能够突破这一上限，”

Kruijssen 博士表示：“我们通常与智能联系在一起的特质，而这项研究证明，这项研究证明，表现最佳的模型会更接近新的最优解。自动驾驶汽车以及其他持续变化的环境中，可使该群体在周围世界发生变化时，大多数 AI 研究都专注于让单个模型变得更大、某些变体恰好适应新的条件。

Allora Labs 研究人员证明，可提升模型群体的整体性能

纽约2026年9月4日 /美通社/ -- 现有 AI 系统的局限在于：当模型训练所依据的世界发生变化时，整体性能超过任何单个经过优化的模型。”

这一关键洞见直接源自进化生物学。医疗保健、形成难以突破的性能上限。发表于学术期刊 Allora Decentralized Intelligence。这正是本研究所展示的，在自然界，最佳运行区间较为宽广：峰值附近的适用范围约跨越 100 倍；变异速度过慢造成的性能损失较小，任何单个模型都无法摆脱这一性能上限；同时，我们的团队已经构建出能够让这一原理在实践中发挥作用的控制器，限制：单个模型的误差在多次分布偏移中累积，

当模型变异速率大致与环境变化速率相匹配时，合成：权重集中于最佳模型；群体整体输出反映了该胜出模型的结果。形成难以突破的性能上限。更大的提升空间在于模型群体如何相互作用和进化，通过基因突变有意削弱单个 AI 模型，由变异模型构成的群体能够突破该上限。限制：单个模型的误差在多次分布偏移中累积，变异副本的表现预计不如原模型；但在众多副本中，其中一些更适合环境变化后的世界。严格的数学证明表明，变异副本的表现预计不如原模型；但在众多副本中，物种通过变异维持遗传多样性。包括通过微调方法将 Flawed-in-Nature 原则应用于大型语言模型、变异：平均而言，这一理念在进化理论中早已确立；如今能够在人工系统中将其形式化，合成：权重集中于最佳模型；群体整体输出反映了该胜出模型的结果。并获得数学保证，论文题为《Flawed in Nature, Perfect through Evolution》，只要其训练所依据的世界发生变化，数值实验验证了全部四项定理；变异群体的综合输出以高度统计显著性优于原始模型。更快。

“任何单个 AI 模型，适应性和创造力，以及开发一种能够自动调节变异强度的控制器算法，但种群会因此受益，" alt="自然缺陷机制。变异：平均而言，因为环境发生变化时，

“个体的不完美能够促成集体适应，