速報
預測誤差門控與元認知：新型記憶與視覺語言模型的雙重突破
本研究探討利用小型預測器在凍結編碼器潛在空間產生的預測誤差訊號，作為可塑性門檻與元認知基礎。第一套系統結合非參數式情節記憶與離線重播，於凍結的 DINOv2 或 I‑JEPA 骨幹上持續學習 1000 個 ImageNet 類別，顯示出顯著的記憶保持與少樣本表現。
速報
本研究探討利用小型預測器在凍結編碼器潛在空間產生的預測誤差訊號，作為可塑性門檻與元認知基礎。第一套系統結合非參數式情節記憶與離線重播，於凍結的 DINOv2 或 I‑JEPA 骨幹上持續學習 1000 個 ImageNet 類別，顯示出顯著的記憶保持與少樣本表現。
速報
研究團隊以 960 筆手動提示，測試三款商業大型語言模型（GPT‑5、Gemini 2.5 Pro、Claude Sonnet 4.5）在八項估算任務中的內部抽樣與跨模型聚合效應。
深度分析
研究在Metaculus平台上評估大型語言模型在預測任務的誤差相依性；以三款主流模型的568個已解題目、社群時間序列和類別指紋做對照。主要發現：模型間預測錯誤高度相關，但在該精英社群中尚未觀察到明顯的偏誤傳播。該現象構成潛在的認知單一化風險。