一百个认知任务塞进同一套循环网络

会做加法的网络，不一定会一边做加法一边记住刚才那个数。能力叠加不是免费的，这篇论文测的就是叠加的代价。

一、发生了什么

这是 10 月 24 日挂上 arXiv 的一篇预印本，作者三人，分类落在机器学习、人工智能与神经科学交叉处。它没有提出新模型去打榜，问的是一个更基础的问题：当任务数量和异质性一起上升，任务之间到底是互相帮忙，还是互相拆台。

做法是同时训练 100 个认知任务，覆盖从简单反应到需要维持内部状态的各类需求。用的网络叫层级化近乎线性循环网络（AL-RNN），特点是能把循环部分的非线性强度当成一个旋钮来调；再给每个任务配一组低维的层级特征，作为共享动力学里做任务特化的接口。

结果有三条。

第一，性能随非线性容量和任务特征维度一起上升。层级化的联合模型，好过每个任务单独训一个模型，也好过一个不做结构区分的联合模型。

第二，也是最值得记的一条：很多任务单独用线性动力学就能解，但同一个线性模型没法把它们一起解掉。也就是说，单任务可行性不能外推成联合可行性。

第三，作者从训练好的模型里取出了几种「任务相似度」的度量——任务各自用到的线性区域、任务在特征空间里的几何关系——并用它们去解释任务复杂度、联合可解性、两两迁移和留一适配。

最后一句是克制的：这些实验既展示了可复用动力学骨干的潜力，也展示了它的困难。

二、跟你有什么关系

做 agent 记忆和技能复用的团队。 你希望一个底座同时支撑检索、规划、工具调用。这篇给的提醒是：每个技能单独跑通就上线，等于把干扰留到线上。先在两两组合上测，比整体回归便宜。

做多任务训练和模型合并的人。 「单任务都行，合起来不行」是可复现的现象，不是调参不够。结构化的任务接口（这里是层级特征）比单纯加大容量更值得先试。

做计算神经科学的。 这类工作把网络当动力学的代理模型，用来问「大脑怎么用一套回路做很多事」。它能给假设，不给解剖结论。

三、怎么判断

1. 先看有没有「联合 vs 单独」的对照。 只报联合模型分数的论文，说明不了干扰。这篇的价值就在两组数都摆了出来。
2. 找任务对，而不是任务集。 干扰通常出现在少数任务对上。先做两两矩阵，找出最差的那几对，再看它们共享了什么。
3. 把容量和结构分开测。 加大非线性、加结构化接口，是两条不同的路。混在一起调，最后不知道是哪条起了作用。
4. 看留一测试。 拿掉一个任务重训，看其余任务掉多少。掉得少，说明骨干真的被复用了。

四、三个别信的说法

「多任务一起训一定更强。」 论文自己给了反例：一组任务各自都能被线性模型解掉，却没有一个共享线性模型能同时解。任务越多越异质，这句话越不成立。

「任务相似度是客观量。」 作者给的是几种相关但不同的度量，来自线性区域使用和任务几何。它们是解释工具，不是唯一的真值。换一种度量，排序可能变。

「这是大脑模型，所以能解释人脑。」 这是背景，不是论文结论：循环网络在计算神经科学里被当作动力学的代理模型，用来生成假设。论文没有做任何神经记录。

五、一句话结论

共享骨干的天花板，不由最强的那个任务决定，由最不相容的那一对决定。

信息来源

• arXiv 摘要页：百任务下的循环动力学，2026 年 10 月 24 日提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 27 日。