Texas ML Symposium 2026，给大模型「加外挂」的三条路

这次 Texas ML Symposium 上最让我记住的，是一场讲怎么扩展语言模型的报告，不是怎么把模型做大。

作者：Koutian Wu；GitHub: ktwu01

会议全名是 Texas Symposium on Machine Learning, Responsible AI & Robotics 2026，在 UT Austin 举办。其中一场叫 Extensions of Language Models，讲了三个项目。

LMLM，把大语言模型（LLM）的一部分记忆卸载到外部数据库，模型就不用把每个事实都塞进参数或者上下文窗口里。上下文窗口，就是模型一次能看到的文字长度上限。

STAR，用扩散模型做规划任务，让扩散模型不只是生成图像和文字，而是去做更有结构的推理。

PhantomWiki，每次评测都现场生成一个全新的知识宇宙，这样就能测出模型到底是真的会查、会推理，还是只是背过答案。

这三个方向有个共同的逻辑，瓶颈不只在模型规模，更在模型周围的基础设施。我觉得这个视角会影响接下来研究精力往哪里投，端侧 AI 和智能体（agent）这块变化真的很快。