Bidirectional（双向）是机器学习中一类模型结构或训练策略的统称，核心思想是让信息沿两个相反方向同时流动，例如序列模型中同时从前往后和从后往前编码上下文，或在两个模型/模块之间建立对称的约束关系。它并非单一算法，而是广泛渗透在自然语言处理、语音处理、模型压缩与安全等方向的通用设计模式。
Bidirectional 方向的近期进展
在图像水印安全方向，LiBRA：让图像水印彻底无法被检测的双向潜在优化攻击方法提出了一种双向潜在优化攻击框架，目标是让水印在检测器眼中不可见，挑战了现有水印防御方案的可靠性，属于 Bidirectional 思想在对抗安全领域的直接应用。
在小模型能力提升上，Teacher-Guided Tool Learning for Small Language Models via Bidirectional KL Constraints用双向 KL 散度约束来指导小型语言模型学习工具调用，通过教师模型与学生模型之间的双向分布匹配，同时约束输出向教师靠拢与保留学生自身特性。
在语音与健康监测领域，BreathGRU: A Novel Semi-Supervised Bidirectional Gated Recurrent Unit Framework for Speech and Breath Segmentation for Respiratory Audio提出半监督的双向门控循环单元框架，用于呼吸音中的语音与呼吸分段；State of Health Estimation using Convolutional and Bidirectional LSTM Neural Networks tuned by Bayesian Optimization则结合卷积网络与双向 LSTM 并用贝叶斯优化调参，估计电池健康状态。
在推理系统层面，Stage-Replay Divergence Follows the KV Cache: Fixed-Prefix Precision Controls and Bidirectional Cache Transplantation研究了 KV 缓存的精度控制与双向缓存移植问题，把双向机制引入大模型推理的基础设施优化。
当前焦点与观察点
从近期论文分布看，Bidirectional 相关研究呈现两条主线：一是经典的双向序列结构（BiGRU、BiLSTM）仍在语音分段、健康状态估计等中小规模任务中保持活跃，尤其在半监督和数据稀缺场景下性价比突出；二是双向约束正被用作训练策略，如双向 KL 散度成为知识蒸馏中平衡师生模型的新手段。
值得关注的争议点在安全方向：双向潜在优化攻击对图像水印构成的实际威胁，可能促使水印算法向更鲁棒的方向演进。此外，双向机制如何与 KV 缓存等推理优化技术结合，也是降低大模型部署成本的潜在观察点。整体而言，Bidirectional 作为一种通用设计思想，其价值更多体现在具体任务中两个方向信息如何融合，而非结构本身的复杂度。