Models

近期模型（Models）领域研究呈现出多元化发展态势。一方面，基础模型在特定任务中展现出高效性和可解释性；另一方面，世界模型、扩散模型、因果模型等新范式不断涌现，推动模型理论向更通用、更智能的方向演进。

主要进展
• 基础模型在信用风险预测中表现最优：一项针对信用风险预测的研究发现，基础模型（Foundation Models）在包括小数据集在内的多种场景下，均优于传统机器学习模型，验证了其在小样本学习中的强大泛化能力。(Foundation Models 在信用风险预测中表现最佳，尤其小数据集)
• 扩散模型与轨迹模型的理论创新：Uniform Diffusion Models 提出leave-one-out去噪器与吸收态重构理论，统一了扩散模型的理论框架；NTM（标准化轨迹模型）则通过四步采样提升生成轨迹效率。(Uniform Diffusion Models 重访；NTM：四步采样的标准化轨迹模型)
• 世界模型与具身智能的融合：Gary Marcus 指出世界模型时代已到来，Demis Hassabis 长期推动该方向；World Action Models 综述强调模型在具身智能中的核心作用，预示着未来智能体将具备更完整的物理世界推理能力。(Gary Marcus：世界模型的时代终于到来；World Action Models：具身智能的下一个前沿综述)
• 大语言模型的内部机制与可扩展性：Attractor Models 通过不动点求解使循环Transformer实现可扩展；When Models Manipulate Manifolds 则从几何结构解释计数任务的内部表征。(Attractor Models：通过不动点求解让循环Transformer可扩展；When Models Manipulate Manifolds)

当前焦点与未来观察
当前模型研究的焦点集中在如何提升模型的通用性、理论完备性与计算效率。世界模型、因果模型与动态计算分配（如SOL模型）成为热门方向，旨在让模型更具环境感知和自主推理能力。然而，模型的可解释性与安全控制仍是核心挑战，未来需关注理论突破与工程落地的平衡。