2025年9月，明星AI创企Thinking Machines发布第二篇研究论文《Modular Manifolds》，提出通过约束神经网络各层/模块在统一框架下优化以提升训练稳定性与效率。论文由Jeremy Bernstein独立撰写，核心概念是将权重参数约束在Stiefel流形上，避免数值不稳定问题，并设计了适用于多模块的‘模块化流形’方法。小规模实验显示，新算法在准确率和权重稳定性上优于AdamW，但运行时间稍长。公司首篇论文于9月10日发布，主题为克服大语言模型推理中的不确定性。Thinking Machines估值已达840亿人民币，清华姚班校友陈丹琦及其团队也参与相关研究，近期发布了关于可验证奖励强化学习的新作。公司研究成果加速涌现，其首个产品备受期待。

新加坡国立大学赖载兴教授在混沌边缘理论的启发下，致力于改善神经网络训练效率，其研究成果发表在《人工智能与机器人研究国际期刊》(IJAIRR)，提出了“Asymptotic edge of chaos as guiding principle for neural network training”。...