Apple ML 發布語言模型通訊瓶頸研究：模型間轉換結構化資料準確率差異達 60.4 分，逾七成失敗源於生成端

Apple ML 發布關於語言模型在樹狀結構表達序列化中通訊瓶頸的研究。研究團隊提出往返（round-trip）協議，由生成器將算術表達式轉為文字題，再由提取器從文字題還原表達式，並測試了 16 款模型的兩兩組合。結果顯示，該轉換通道有損且具高度不對稱性，交換生成與提取模型會導致準確率出現高達 60.4 分的落差；最佳組合準確率達 92.9%，且是由兩端使用不同模型達成，而非單一模型。研究指出，至少 73.6% 的失敗源於生成階段，任務難度主要受樹狀結構（運算子數量、深度、右分支）影響，而非模型家族。此外，該通道具備可訓練性，僅需約 3600 個微調樣本，即可讓所有開放權重模型超越未經訓練的 Gemini-3.1-Pro。