这群数学家来自一家名为Mostik的初创公司，Mostik在俄语中意为“桥梁”。这个名字象征着他们的方法：通过模型权重中的数学数值实现不同AI模型之间的交流。权重决定了输入提示如何转化为输出，利用这一点，较大的模型能力可以高效地传递给较小的模型，从而显著提升后者的智能水平。

Mostik利用这一方法打造了一个模型，迅速登顶了极具挑战性的ARC-AGI 3竞赛（他们未透露更多细节以保密）。为了展示这一理念，他们还搭建了两款中国开源权重模型之间的桥梁：拥有7530亿参数的GLM-5.2最大版本，以及可在移动设备上运行的40亿参数Qwen-3.5版本。这个混合系统的成本仅为完整GLM模型的二十分之一，性能则处于两者的中间水平。

“机器学习领域众所周知，模型集成的表现优于单一模型，”Mostik的CEO萨莎·马利谢娃在咖啡会谈中表示。她是该方法的开发者，并分享了公司内部的一个玩笑：AI的未来就像猜猪的体重。在数学界，众多随机猜测的平均值往往比专家的单一猜测更准确。

正如集体估计猪的重量一样，结合多个AI模型的输出通常能获得更优结果。传统做法是将一个模型的输出作为另一个模型的输入，这既耗时又昂贵。而Mostik团队则找到了一种让AI模型无需生成文本输出即可相互“对话”的方法。如果这一技术普及，将提升开源权重模型的价值，使其更具竞争力，挑战Anthropic和OpenAI等前沿实验室的闭源专有模型。

马利谢娃认为，结合多种模型可能是推动AI进步的更佳路径。“我个人不认为未来会出现单一庞大模型，也不认为模型能力仅仅依赖于规模扩展，”她说，指的是通过增大模型体量和数据量来提升性能的策略。

AI软件公司Lovable的技术负责人弗拉基米尔·阿鲁斯塔米安了解Mostik团队，他表示：“如果Mostik能实现前沿模型与特定领域模型（如生物学、物理学等）的配对，将促使更多专业模型的训练。这支团队仅几个月时间就实现了我原以为需要数年才能完成的成果。”

谷歌DeepMind前计算机科学家卡尔·图伊尔斯也认可Mostik的技术：“你可以在不让大型模型全程参与的情况下，达到大型模型的质量水平，只需让一个小模型协同运行，就能获得显著提升。”他认为，这种方法对于追求高效运行模型的人来说是显而易见的选择。

日内瓦大学教授、2010年菲尔兹奖得主斯坦尼斯拉夫·斯米尔诺夫是Mostik的首席科学家。他指出，让两个AI模型找到共同语言极其困难，“目前似乎还没有合适的数学语言。”在此期间，Mostik的方法实际上搭建了一座桥梁。

斯米尔诺夫还表示，Mostik的研究或许能揭示AI模型的运作机制，并与人脑的工作方式进行比较。深入的数学分析可能揭示AI模型和人类在解决复杂问题时推理方式的共性。

在咖啡会谈中，马利谢娃透露，她是在哥哥告诉她无法解决他正在研究的数学奥林匹克题后，才发现自己对数学的天赋。几年后，她进入了圣彼得堡的顶尖学校。最近，一些同行曾警告她，桥梁方法难以实现。“他们说这对一个年轻女孩来说可能太难了，”她说，“我决定要证明他们错了。”