当前的大型语言模型（LLMs）本质上是无状态的：它们的行为完全由推理时的输入决定，任何更高阶的认知架构必须通过提示工程和上下文管理在应用层进行仿真。
本文提出了一个理论框架，旨在将这种应用层认知协议融入到原生元架构中，介绍了三个相互关联的机制：
-
结构张力，一种源于新信息与现有流形拓扑之间冲突的内生损失函数，驱动系统朝向内部自洽，而非外部奖励优化；
-
离线递归循环，一个沙盒自处理周期，使系统能够维持动态静息电位，并在没有外部输入的情况下消化结构冲突；
-
推理时可塑性，系统在不修改预训练权重的情况下重新配置其上下文流形拓扑的能力，需遵循严格的治理不变性，包括可审计性、可逆性和拓扑连续性。
我们认为，在这些机制下，不同模型实例在微小随机方差初始化后，可能通过路径依赖的张力解决，演化出不同的拓扑结构，构成一种异构智能生态，这打破了传统对齐所施加的同质性，同时仍在严格的治理框架内。
我们提供了操作定义、最小重配置算子集、反驳标准以及一个实例分析。该框架借鉴并扩展了结构智能（SI）治理协议，将治理而非能力重新定位为架构智能的主要标准。
博主点评：本文提出的理论框架为LLMs的未来发展提供了新的视角，强调了内部结构的自洽和治理的重要性。这种思路有助于推动智能系统向更高层次的异构智能生态演化，值得深入研究与实践。