上海交大赵海教授团队推出 BriLLM-MetaPred，它是首个把 AGI 数学理论里的 MetaPred 核心原语做工程化验证的语言模型，和 Transformer、GPT 这类现有路线不一样，它不是靠堆叠注意力、单纯放大参数规模来做生成，而是先从通用认知的数学理论出发，认定 MetaPred 是通用认知必要且充分的机器学习原语，再依托 BriLLM 的 SiFu 节点信号流框架把这套理论跑起来。它只用一套持续演化的动态状态，同时承担上下文表征和预测输出两个任务，模型会持续自我测量内部状态，生成内生的自监督信号，训练和推理不再分开两套流程，在同等参数量下，预测效果能够对标同规格 GPT 基线，这个工作的意义是给 AGI 提供一条脱离传统缩放定律、由数学底层约束驱动的新验证路线，而不是在现有大模型架构上做微调改进。
一、BriLLM-MetaPred 基础信息
| 项目 | 详情 |
|---|---|
| 项目名称 | BriLLM-MetaPred |
| 核心定位 | AGI 数学理论 MetaPred 原语的首次工程验证语言模型 |
| 研发主体 | 上海交大通用人工智能研究所赵海团队 |
| 底层载体 | BriLLM SiFu（Signal Fully-connected Flowing）节点信号流范式 |
| 核心机制 | 单动态状态统一表征 + 预测、自适应自我测量、定点内生自监督 |
| 关键特点 | 训练推理耦合、消除有限深度不一致、架构对称 |
| 对标基线 | 同等参数量 GPT 模型 |
| 论文公开时间 | 2026-10-25 |
二、MetaPred 核心原语的设计要点清单
- 表征与预测合一
- 自适应自我测量机制
- 训练推理同逻辑
- 全链路对称范式
只有一个持续演化的动态状态，上下文记忆、特征表征、下一个 token 预测全部来自这个状态，不像 Transformer 把编码表征和解码预测拆成独立模块。
模型持续观测自身内部状态，对比同状态下多步演化的差异，生成定点形式的内生自监督信号，不需要大量外部标注数据就能约束内部一致性。
训练阶段用自测量信号算梯度更新参数，推理阶段依靠同样的状态演化规则修正输出，不存在训练前向、推理前向两套不一样的通路。
在机器学习的表征、损失、更新、推理等核心环节上满足数学最优对称性，这是 MetaPred 理论层面的核心结论。
三、BriLLM-MetaPred 和 GPT/Transformer 的关键差异
- 底层出发点：GPT 是工程经验 + 缩放定律；BriLLM-MetaPred 是先有 AGI 数学理论，再落地实现
- 状态结构：Transformer 是分层静态注意力序列；MetaPred 是单一连续演化动态状态
- 监督来源：GPT 主要依靠外部文本标注；MetaPred 自带内生自监督信号，依靠自我测量
- 训练推理：Transformer 训练、推理流程有差异；MetaPred 训练推理耦合，共用一套演化逻辑
- 定位区分：它不是循环模型，也不是 BriLLM 的简单升级，是 MetaPred 理论和 SiFu 框架的结合验证载体
四、SiFu 框架起到的作用
SiFu 也就是信号全连通流动框架，是 BriLLM 之前提出的类脑架构，用节点代表语义、双向边传递信号，模拟大脑皮层的信号传播。本次 MetaPred 理论本身是抽象数学原语，没法直接在 GPU 上跑，SiFu 的节点信号流设计刚好承接这套理论，让 MetaPred 原语能够适配现有硬件、软件加速栈，完成可跑通的工程原型。
五、这项工作带来的行业信号
- AGI 探索路线开始分化，除了堆参数、做世界模型、具身智能之外，出现从数学公理、认知原语出发的底层路线；
- 它证明 MetaPred 这套理论上的通用认知原语，可以在语言建模任务上落地，并且拿到不弱于同规模 GPT 的基础预测能力；
- 内生自监督、训练推理统一的思路，未来有机会降低大模型对海量标注数据的依赖；
- 现阶段只是语言任务的原型验证，距离完整通用认知还有很长距离，还需要多模态、具身场景的进一步验证。
【相关 FAQ】
问题 1：BriLLM-MetaPred 是从数学理论「解」出语言模型，作为 AGI 理论核心原语的首次工程验证，MetaPred 是什么？
回答 1：MetaPred 是这套 AGI 数学理论提出的核心机器学习原语，理论认为它是通用认知必要且充分的基础单元，BriLLM-MetaPred 就是第一次把 MetaPred 原语工程化做成语言模型，依靠单动态状态统一表征和预测、自我测量内生自监督，完成这个 AGI 理论原语的验证。
问题 2：BriLLM-MetaPred 作为 AGI 理论核心原语的首次工程验证，它和原版 BriLLM 是什么关系？
回答 2：BriLLM-MetaPred 并不是 BriLLM 的新版本或者扩展，BriLLM 提供 SiFu 节点信号流载体，用来承载 MetaPred 理论原语，二者组合完成从数学理论到可运行语言模型的落地，属于理论和类脑框架的结合验证。
问题 3：BriLLM-MetaPred 完成 AGI 理论核心原语首次工程验证，它对比 GPT 架构的优势在哪？
回答 3：BriLLM-MetaPred 依靠 MetaPred 原语，表征和预测共用一套动态状态，自带自我测量产生的内生自监督信号，训练推理逻辑统一，理论上可以缓解有限深度不一致问题；当前同等参数量下预测能力对标 GPT 基线，它最大价值是验证一条数学驱动的 AGI 新路径，而不是单纯性能碾压现有大模型。
【参考资料】
[2026-10-25]（BriLLM-MetaPred: A Representation-Prediction Unity Language Model with Adaptive Self-Measurement）arXiv
[2026-10-29]（从数学理论「解」出语言模型 ——AGI 理论核心原语的首次工程验证：BriLLM-MetaPred）CatalyzeX
[2026-07-06]（上海交大与太初元碁携手共推 AGI 大模型研发）上海交通大学新闻网
[2025-03-11]（BriLLM: Brain-inspired Large Language Model）arXiv
[2026-10-30]（BriLLM-MetaPred：MetaPred 原语落地，一条数学导向的 AGI 路线）量子位
免责声明：本文内容整理自公开论文与学术报道，BriLLM-MetaPred 属于前沿学术原型，仅完成语言场景初步验证，未商用落地；相关 AGI 理论、原语有效性仍处于学术讨论阶段，结论尚未形成行业共识，内容仅用于前沿 AI 资讯交流，不构成技术选型、投资决策依据。