SymbOmni：透過符號概念學習實現智慧全知模型的進化
SymbOmni是一種新型AI模型，旨在解決當前模型“永恆新手”的問題——即無法積累經驗並自主進化。它透過符號概念學習，利用可最佳化的記憶模組將低階操作抽象為可重用的符號工作流指令，並透過歸納-轉導迴圈實現持續自我改進。實驗表明，SymbOmni在影像質量和任務成功率上超越現有代理系統及閉源模型，同時減少40%以上的令牌消耗，並在持續學習基準上取得新成果。
在人工智慧領域，當前的主流模型——如文本到影像/影片生成模型和多模態互動系統——雖然應用廣泛，卻面臨一個根本性侷限：它們無法累積學習經驗並自主進化。研究人員將這一問題稱為“永恆新手”困境。這些模型缺乏將體驗結構化並轉化為可重用知識的機制，導致每次任務都依賴於脆弱的“從零開始”推理，組合泛化能力差，知識保留效率低下。
針對這一挑戰，來自多所機構的研究團隊提出了SymbOmni——一種透過符號概念學習實現累積進化的智慧全知模型。SymbOmni的核心創新是“符號概念盒”，一個可最佳化的記憶模組，能夠將低階操作抽象為可重用的“符號工作流指令”。模型透過一個歸納-轉導迴圈運作：首先，從經驗中提取並形式化符號概念（歸納）；然後，根據新任務自適應組合這些概念（轉導）。這種設計使得模型能夠不斷積累知識，避免每次從零開始。
SymbOmni的訓練方法也別具一格：它採用“言語反向傳播”——基於語言反饋的最佳化機制，無需傳統基於梯度的微調。這使得模型能夠持續自我改進，同時保持靈活性。研究者透過大量實驗驗證了SymbOmni的有效性：
- 在迭代建立任務中，SymbOmni顯著優於現有的代理系統，甚至超越了閉源模型如Nano Banana和GPT-Image-1，在影像質量和任務成功率上均表現突出。
- 符號知識複用大幅降低了計算開銷：與基線相比，令牌消耗減少了40%以上，而生成質量保持不變。
- 在多個線上學習基準上，SymbOmni展示了持續學習的累積增益，達到了新的最優水平。
這些成果表明，透過符號化知識管理，AI模型有望擺脫“永恆新手”的桎梏，向更自主、更高效的演化方向邁進。SymbOmni為未來構建具備持續學習能力的智慧系統提供了新的正規化。值得注意的是，該研究已被ECCV 2026接收，論文共49頁，包含10個圖表，並提供了專案頁面。