微软推出自适应推理系统 CLIO：无需后训练，GPT-4.1 成绩超 o3

拿大模型做新药研发或材料科学时，研究人员总会碰上一堵墙：现有的推理模型，思考模式全是在出厂前被强化学习固定死的。一旦 AI 跑偏，科学家在外面根本没法插手。

Microsoft Research 提出了一套名为 CLIO 的现场优化认知环路架构。它的核心特点是不靠后训练，直接给普通基础模型套上运行时反思机制，把它们变成可以随时被科学家接管的虚拟科学家。

在公认极难的 Humanity’s Last Exam（HLE）生物与医学测试中，CLIO 把 OpenAI 基础模型 GPT-4.1 的准确率从 8.55% 一路拉到了 22.37%，净增 13.82%，相对提升超过 161%，不仅超越了基础表现，还压过了 OpenAI 的 o3（high）。

不做后训练，让模型在运行时自己反思

现在主流的推理模型，无论是靠人类反馈还是自动化奖励，推理逻辑都是在出厂阶段就被预先写死的。用户只能输入提示词，看着它在黑盒里一步步往下算。

CLIO 换了一条路。它不给模型喂额外的训练数据，而是在程序运行中实时建立反思环路。系统会自己生成想法、管理记忆，并根据前面的推导随时调整后续行为。

测试数据显示，仅仅给 GPT-4.1 加上 CLIO 的递归认知环路，准确率就提升了 5.92%。如果在环路外再接入 GraphRAG，让它综合多条演化分支选出最优策略，准确率还能再涨 7.90%。

就连原本在 HLE 上得分不到 2% 的 GPT-4o，在免疫学相关题目中也借助这套方案提升了 13.60%，追平了顶尖的专门推理模型。

给 AI 装上谦虚旋钮，允许人类随时打断修改

对严肃科研来说，AI 最危险的地方不是算不出来，而是它算错了却表现得极其自信。现有的推理模型很少主动承认自己不确定。

微软在 CLIO 里设计了一套无需写提示词的物理控制旋钮。研究人员可以自由调整不确定性的报警阈值，让系统在摸不准的时候主动举手，而不是硬着头皮胡说。

更实用的是，科学家可以随时暂停 AI 的思考链条，直接修改模型中间步骤里的某个假设或推论，然后让它从修改的地方继续往下推导。这项技术并不绑定某一家模型，目前已经成为微软新发布的 Microsoft Discovery 平台背后的核心控制层。

为什么重要

对从事药物研发、生物医疗和高精尖工程的研究团队来说，CLIO 提供了一种完全不同的解题思路。过去大家只能被动等待模型厂商发布更强、更贵的推理模型，现在只要在外层套上一套透明的认知调度系统，普通模型也能跑出顶尖水准，而且每一步都看得清、改得动。

我们认为，微软这一步最聪明的地方，在于它抓住了科研场景最在意的谦逊与可控。在商业文案里幻觉几句无伤大雅，但在合成生物学或材料筛选里，一个坚定的错误就会浪费数月实验经费。允许科学家中途介入、修改模型信念，真正把 AI 放回了实验助手的正确位置。

当然，这套方案的代价也写在明处。运行时反复调用反思环路，再加上 GraphRAG 的多分支演化，推理耗时和计算开销必然会成倍上涨。但看起来，在试错成本极其高昂的科学探索领域，多花几分钟算力换取一份可追溯、可干预的推导过程，对研究人员来说依然非常划算。