Complementary（互补信号/互补表征）是近期 AI 研究中频繁出现的一类方法思路：让模型同时利用多种性质不同、彼此互补的信息源或表征，以提升推理、检测与检索等任务的效果。它并非单一模型或产品，而是一种跨任务的设计范式，正从视觉、时序分析扩散到大模型幻觉检测、数学证明等前沿方向。
Complementary 表征的近期进展
互补范式也面临质疑
值得注意的是，互补假设并非总成立。Camera-Noise Residuals for Face-Swap Detection: Redundant, Not Complementary, and Why 就以人脸伪造检测为例指出：相机噪声残差与伪造痕迹之间更接近冗余而非互补，并给出了原因分析。这提醒研究者，多信号融合前需要先验证信号间是否真的提供了增量信息。
当前焦点与观察点
从近期 arXiv 论文看，Complementary 思路的讨论集中在三点：一是如何定义和度量"互补"，避免把相关信号误当作互补；二是在黑盒大模型场景下，外部互补信号（如检索、语义一致性）能否稳定降低幻觉率；三是多专家、多表征架构带来的算力开销是否值得。随着推理型模型与 Agent 系统的兴起，围绕互补表征的实证检验——包括反例研究——预计会持续增多，值得关注其从经验技巧走向可解释设计原则的过程。