MIT 团队发现并命名「forking」过拟合现象
先了解这件事
2026年10月26日至27日，AGI Hunt 连续报道了 Ziming Liu 团队提出的「forking」过拟合现象。首篇报道称，Maxним 实验室的 Ziming Liu（与 MetaCircleAI 合作）发现：在数据回放时，训练损失持续下降、验证损失反而上升；该现象出现在 over-encoding 类方法中，起因是 AutoResearch 发现的技巧被错误泛化，并称其类似 DeepSeek v4.1 的 Engram 记忆技巧。后续报道则称，Ziming Liu 是 KAN 论文作者、MIT 研究者，并称他把 AutoResearch agent 自动实验跑出的叉形曲线整理成新论文，正式提出「forking」过拟合现象，表现为训练损失下降、验证损失突然反向上升，由搜索到的训练技巧在 over-encoding 等设定下被错误泛化引发。他同时发推批评 AutoResearch 无法泛化，自动搜索所得技巧在设定稍有变化时即引发过拟合灾难，认为缺乏机制理解就只是盲目崇拜自动化产出，人类研究者的价值在于深挖混乱结果、找出背后原因，失败产出也可作为研究素材。早先报道称该发现出自 Maxним 实验室并与 MetaCircleAI 合作，后续报道则称其为 MIT 研究者团队的论文成果，机构归属说法不一致。
AI 根据报道生成 · 44 分钟前更新
事件进展
- 10月26日 23:57 · 1 篇报道Ziming Liu 批评 AutoResearch 无法泛化AGI Hunt：MIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难
- 10月26日 23:35 · 2 篇报道研究者发现Forking训练现象AGI Hunt：Maxним 实验室 Ziming Liu 发现 Forking 训练现象：训练损失下降、验证损失反升
报道时间线
沿着报道，了解事件的不同侧面。
- AGI HuntMIT 团队从 AutoResearch 异常曲线中挖出「forking」过拟合现象
MIT 研究者 Ziming Liu 团队把 AutoResearch agent 自动实验跑出的叉形曲线整理成新论文，提出「forking」过拟合现象。该现象表现为训练损失下降、验证损失突然反向上升，由搜索到的训练技巧在 over-encoding 等设定下被错误泛化引发。Ziming Liu 借此批评 AutoResearch 缺乏机制理解、只是盲目搜参，并认为失败产出也可当作研究素材。
- AGI HuntMIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难
KAN 论文作者、MIT 研究者 Ziming Liu 发推批评自动化研究流程 AutoResearch 无法泛化：自动搜索找到的训练技巧在设定稍有变化时会引发其称为「forking」的过拟合灾难。他认为没有对机制的理解就只是盲目崇拜自动化产出，人类研究者的价值在于深入这些混乱结果、找出背后原因。这一观点是对当前自动化 AI 研究潮流的针对性反思。
- AGI HuntMaxним 实验室 Ziming Liu 发现 Forking 训练现象：训练损失下降、验证损失反升
Maxним 实验室 Ziming Liu（与 MetaCircleAI）报告发现 Forking 训练现象：数据回放时训练损失持续下降，验证损失反而上升。该现象出现在 over-encoding 类方法中，由 AutoResearch 发现的技巧被错误泛化导致，类似 DeepSeek v4.1 的 Engram 记忆技巧。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。