论文页面 - Intern-S2-Mobius：解耦知识与推理的基础模型

来源：https://huggingface.co/papers/2608.14290 发布于 8 月 14 日

#1 每日精选论文 (https://huggingface.co/papers/date/2026-08-17) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

Mobius-v0 将全局记忆存储与迭代式推理模块分离，以提高知识压缩和推理效率，从而以更少的训练数据和更快的推理速度，获得可比的性能。

我们引入了 Mobius-v0 (https://huggingface.co/papers?q=Mobius-v0)，这是一种架构，包含一个全局共享的 Memory (FFN) (https://huggingface.co/papers?q=Memory%20(FFN)) 来存储知识向量，以及多个 Reasoners (Self-Attn) (https://huggingface.co/papers?q=Reasoners%20(Self-Attn)) 来迭代实现组合推理 (compositional reasoning) (https://huggingface.co/papers?q=compositional%20reasoning)。该架构使用隐藏状态作为缓存和载体，推理器反复查询记忆以获取所需的知识向量，同时知识被传回推理算子。通过这种知识-推理分离 (knowledge-reasoning-separation) (https://huggingface.co/papers?q=knowledge-reasoning-separation) 架构，Mobius 实现了更好的知识压缩和推理效率。基于 Mobius-v0 (https://huggingface.co/papers?q=Mobius-v0) 架构：1) 我们从头训练的 7B 模型，使用基线 62.6% 的训练数据，就达到了与 7B Transformer 基线模型相当的下游任务分数。2) 我们的 Intern-S2-Mobius (https://huggingface.co/papers?q=Intern-S2-Mobius)，从 Qwen3.5-35B 持续预训练而来，在获得相似下游任务分数的同时，实现了近 4 倍的端到端推理加速。

查看 arXiv 页面 (https://arxiv.org/abs/2608.14290)查看 PDF (https://arxiv.org/pdf/2608.14290)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.14290)

在您的代理中获取此论文：

hf papers read 2608\.14290

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.14290 以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.14290 以从此页面链接。

引用此论文的 Space0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2608.14290 以从此页面链接。

包含此论文的收藏夹0

没有收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从此页面链接。