Decomposition（分解）指把复杂问题、模型参数或模型错误输出拆解为更小单元来分析与优化的一类方法思路，目前在 AI 研究中横跨错误归因、可解释性与计算优化等多个方向。近期 arXiv 论文与社区讨论显示，这一思路正从传统的任务拆解，扩展到权重可读化与结构化输出诊断等新场景。
Decomposition 近期进展
当前焦点与观察点
围绕分解方法的讨论目前集中在两点：一是粒度问题——拆得越细归因越准，但结构/内容二分能否覆盖所有失败模式、评估口径是否统一仍缺共识；二是落地验证——VPD 一类参数分解能否在生产环境中稳定解释权重行为，还需更多复现。值得留意的是，输出侧的错误分解与参数侧的权重分解开始进入同一讨论场，而 QUILT 代表的计算拆分路线更直接服务于推理成本；三者的共同前提是，先把系统拆开，才谈得上针对性优化。