Recovery

§ 01综述

Recovery 在人工智能与系统领域泛指从故障、遗忘、模态缺失或错误状态中恢复到预期性能或知识水平的能力，是保障模型鲁棒性与系统可靠性的核心机制。近期多项研究从不同维度探索了更高效的恢复策略，包括利用结构化反馈提升AI Agent恢复率、揭示持续学习中遗忘知识的几何可恢复性原理，以及通过语义优先重建改进医学影像恢复等。

Recovery 近期进展

Self-Reflective APIs 使AI Agent恢复率提升40个百分点

Anthropic 在 Self-Reflective APIs：结构化建议让AI Agent恢复率提升40个百分点中提出，通过为AI Agent提供细粒度的结构化建议（如步骤定位、纠正提示），其从执行错误中恢复的成功率从基线水平跃升40%，显著增强了自主任务的可靠性。

Stable Recovery Manifold 揭示遗忘知识的可恢复性

Stable Recovery Manifold：持续学习中遗忘知识的几何可恢复性原理发现，持续学习中遗忘的旧任务知识并非被彻底擦除，而是存在于低维稳定恢复流形中。通过几何投影，模型可在有限样本下恢复已遗忘知识，错误率降低30%以上。

语义优先恢复提升3D MRI重建质量

Recover Semantics First, Generate Better: 改进的3D MRI重建与跨对比度合成潜在建模提出先恢复解剖语义特征，再生成缺失对比度的重建策略。在跨对比度合成任务中，该方法将结构相似性指数（SSIM）提升至0.92，优于传统端到端生成模型。

LWR框架为缺失模态恢复提供新范式

LWR框架：缺失模态下的多模态学习新方法针对多模态数据中部分模态缺失的场景，通过学习模态间的恢复权重，在不完全数据下依然保持90%以上的分类准确率，减轻了对完整模态输入的依赖。

当前焦点与观察点

当前 Recovery 研究正从被动回滚转向主动与结构性恢复。例如，结构化建议能精确指导错误路径修正，几何流形理论则为可恢复性提供了数学保证。未来挑战在于平衡恢复代价与性能增益，以及将恢复机制无缝嵌入在线学习流程。此外，系统级恢复（如 Coreboot 26.06 支持新硬件平台）与算法级恢复的协同，将成为端到端鲁棒系统设计的关键。

§ 02相关报道10 条在档

§ 03邻近话题