# 冻结模型里藏着可读的行为信号，Cygnus 靠适配器把 Qwen-32B 的 ARC 得分从 82% 拉到近 95%

> 原标题：冻结大语言模型隐藏状态中仍存可读行为信号，新技术大幅提升准确性

- 来源：AI HOT 精选
- 发布时间：2026-05-07T19:22:58.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/16383
- 原文：https://x.com/rohanpaul_ai/status/2052469258584822006

## 摘要

Proprioceptive AI 搞了个叫 Cygnus 的技术，给已经冻结的大模型外挂一个自感知适配器，不重新训练就能读出模型内部残留的行为信号。做法是把隐藏状态投影到一个用 gl(4,R) 李代数定义的数学空间里，从中分离出他们称为“暗模式”的精度信号。拿 Qwen-32B 试了一下，只用一张 RTX 3090，ARC-Challenge 准确率...

## 推荐理由

HKR 三项都成立：12.77 个点的提升数字扎实，李代数投影的做法够新，压缩 90% 视觉 Token 对实际部署很省钱。但来源是 X 上的帖子，正文没给出完整评测集和对照实验，复现性存疑，所以只给低 featured。真正值得盯的是后续有没有第三方复现，如果复现成立，这个“冻结模型+适配器”的省钱路线对多模态推理会是实打实的利好。

## 锐评

这条消息的核心卖点是：不用重新训练大模型，只靠一个外挂适配器就能把准确率拉高十几个点。做法是把模型内部的隐藏状态投影到一个用 gl(4,R) 李代数定义的数学空间里，从中分离出他们叫“暗模式”的精度信号。听起来像从模型已经算出来的东西里，把原本没被用上的有用信息给捞了出来。

数字确实好看：Qwen-32B 在 ARC-Challenge 上从 82.2% 提到 94.97%，而且只用了一张 RTX 3090，成本门槛很低。他们还声称适配器会覆盖 3B 到 405B 的多款模型，服务节点能扛 5 万并发，本周末上线。

但这里缺的东西不少。正文只给了一个基准的成绩，没提其他常见评测集的表现，也没说跟微调或提示工程等常规手段的对比。ARC-Challenge 本身是个选择题集，单点提升不一定代表通用能力变强。另外，“暗模式”这个概念听起来挺玄，论文虽然公开了，但还没经过同行评议和独立复现。如果是真的，这确实是一条省钱又省算力的路子；但在更多人跑通之前，我会先打个折。