在人工智能领域，当前的主流模型——如文本到图像/视频生成模型和多模态交互系统——虽然应用广泛，却面临一个根本性局限：它们无法累积学习经验并自主进化。研究人员将这一问题称为“永恒新手”困境。这些模型缺乏将体验结构化并转化为可重用知识的机制，导致每次任务都依赖于脆弱的“从零开始”推理，组合泛化能力差，知识保留效率低下。
针对这一挑战，来自多所机构的研究团队提出了SymbOmni——一种通过符号概念学习实现累积进化的智能全知模型。SymbOmni的核心创新是“符号概念盒”，一个可优化的记忆模块，能够将低级操作抽象为可重用的“符号工作流指令”。模型通过一个归纳-转导循环运作：首先，从经验中提取并形式化符号概念（归纳）；然后，根据新任务自适应组合这些概念（转导）。这种设计使得模型能够不断积累知识，避免每次从零开始。
SymbOmni的训练方法也别具一格：它采用“言语反向传播”——基于语言反馈的优化机制，无需传统基于梯度的微调。这使得模型能够持续自我改进，同时保持灵活性。研究者通过大量实验验证了SymbOmni的有效性：
- 在迭代创建任务中，SymbOmni显著优于现有的代理系统，甚至超越了闭源模型如Nano Banana和GPT-Image-1，在图像质量和任务成功率上均表现突出。
- 符号知识复用大幅降低了计算开销：与基线相比，令牌消耗减少了40%以上，而生成质量保持不变。
- 在多个在线学习基准上，SymbOmni展示了持续学习的累积增益，达到了新的最优水平。
这些成果表明，通过符号化知识管理，AI模型有望摆脱“永恒新手”的桎梏，向更自主、更高效的演化方向迈进。SymbOmni为未来构建具备持续学习能力的智能系统提供了新的范式。值得注意的是，该研究已被ECCV 2026接收，论文共49页，包含10个图表，并提供了项目页面。