constraints

constraints（约束条件）是机器学习与系统设计中的核心概念，指在模型训练、推理或系统运行时必须满足的限制条件，例如安全约束、资源约束或结构约束。当前，constraints 正成为大模型落地讨论的焦点：算力与内存短缺、端侧部署、多智能体安全等议题，本质上都是在各种约束条件下寻求最优解的过程。

constraints 在模型训练与安全中的近期进展

Teacher-Guided Tool Learning for Small Language Models via Bidirectional KL Constraints：该工作提出用双向 KL 约束引导小型语言模型学习工具调用，通过教师模型的概率分布作为约束信号，让小模型在能力受限的情况下获得接近大模型的工具使用表现。

Uncovering Robustness Weaknesses in LLM Agents via Persona Evolution with Task-Integrity Constraints：研究者在智能体人格演化过程中引入任务完整性约束，用以揭示 LLM 智能体的鲁棒性弱点，说明约束设计本身也可以作为攻击面分析的工具。

SafeDiSTL: Decomposing Joint Constraints for Safe Multi-Agent Reinforcement Learning：该论文将多智能体强化学习中的联合安全约束分解到各个智能体上分别处理，试图在保证整体安全性的同时降低约束求解的计算复杂度。

硬件与工程侧的约束条件

端侧模型的能力上限直接由内存与算力约束决定。MiniCPM-V 4.7 发布：首个能在手机本地流畅运行的开源 MoE 多模态模型，采用 35B-A3B 参数设计，在 iPhone 17 Pro Max 上仅占 3 GB 内存——通过 MoE 稀疏激活绕开了端侧内存约束。

供应链层面的约束正在重塑市场。CounterPoint 报告称内存短缺冲击全球手机市场：2026Q3 出货量创 14 年新低，今年手机平均售价已上涨 20%。IDC 数据显示同期全球 PC 出货量同样承压，联想同比降 22.6%、惠普降 30.9%、戴尔降 25.0%、苹果降 11.3%。

当前焦点与观察点

围绕 constraints 的讨论呈现两条主线：一是算法层面的约束建模，如 KL 约束、安全约束、任务完整性约束，用于提升小模型能力和智能体安全性；二是物理与商业层面的资源约束，内存短缺已从技术问题演变为影响出货量和售价的市场变量。值得观察的是，工程实践正越来越多地以

Overview

constraints 在模型训练与安全中的近期进展

硬件与工程侧的约束条件

当前焦点与观察点

Coverage