果蝇连接组接入 FLM，对照实验显示无增益

Fly Language Model（FLM）是一个公开的聊天机器人，它把完整保留的 MaleCNS v1.0 果蝇连接组（connectome）接入冻结的 LiquidAI LFM2.5-1.2B-Instruct 主干模型。开发者称其为世界上第一个果蝇语言模型，但明确否认这是第一个基于连接组的语言模型，并报告说：一个参数量相当、不含果蝇图结构的对照系统表现略好。

系统构造

该系统本质上是挂在语言模型上的储备池计算（reservoir computing）模块。MaleCNS 图中保留的全部 166,700 个节点和 25,582,938 条有向边都参与运算。图结构、主干模型以及随机的输入输出投影全部固定，只训练一个 278,528 参数的读出层，约为主干 1,170,340,608 参数的 0.0238%。

每个词元（token）处，一个固定的高斯投影把 2,048 维嵌入压缩到 128 个通道，每个储备池节点接收一个带随机符号的通道。随后整张图更新，状态被汇聚到 128 个分箱，经两个无偏置矩阵后通过冻结的词表头输出，作为有界残差加到主干的 logits 上，残差在词表维度上的 RMS 上限为 0.25。

对照实验结果

在新冻结的 32 段 SmolTalk 日常对话（1,236 个目标词元）上，三个训练种子的结果显示：果蝇读出层相对主干每词元改善 0.0222 nats，困惑度（perplexity）从 3.98 降到 3.90。但一个直接输入的对照组，把同样的 128 通道投影不经图结构直接送入相同读出层，在全部 3 个种子上每词元都好出 0.000488 nats。配对自助法区间不支持存在果蝇特有的增益。

把 W 置零会完全去掉残差，精确复现主干的逐词元损失，说明图确实参与了计算。不重新训练而重新标注节点身份，NLL 回到接近基线的水平。报告还证明该递推每词元至多以 0.6 的比例压缩初始状态差异：10 个词元后该界为 0.00605，20 个词元后为 0.0000366。上下文仍然来自主干。

代码仓库采用 MIT 许可，可在 Python 3.12 上本地运行，无需 API 密钥。详情见 MarkTechPost 报道。