Bottleneck（瓶颈）在机器学习语境中泛指限制模型性能或效率的关键约束环节，可能出现在架构设计、训练数据、通信或推理流程中。近年来，“瓶颈”一词在研究中常以“信息瓶颈”“低秩瓶颈”“序列化瓶颈”等具体形式出现，研究者试图从理论上解释这些约束为何存在、何时有害以及如何绕开。理解 bottleneck 的成因，已成为模型微调、多模态推理和大规模强化学习等方向的重要切入口。
Bottleneck 相关的近期进展
当前焦点与观察点
从近期文献看，围绕 bottleneck 的研究呈现两个方向：一是把瓶颈视为需要打破的障碍，例如生成效率中的序列化瓶颈、强化学习中的探索瓶颈；二是把瓶颈视为可利用的结构，如低秩瓶颈支撑的 LoRA 微调、作为压缩表示的编码瓶颈。两者并不矛盾——前者关注工程效率，后者关注表示学习的本质。
值得关注的观察点包括：瓶颈秩理论能否推广到更多微调场景并指导秩的选择；扩散-自回归混合架构在多模态任务中能否稳定超越纯自回归基线；以及序列化与表示形式对模型处理结构化数据的影响是否会催生新的输入编码范式。此外，Agent 时代的工程实践中也出现类似瓶颈讨论——据 Addy Osmani 分享，Claude Code 约 90% 的代码由模型编写，团队 6 月到 9 月间合并 PR 数量翻倍以上而回滚率下降，说明代码审查流程正在成为新的效率瓶颈与重构对象。对研究者和工程团队而言，识别并量化各自系统中的 bottleneck，仍是提升整体效能的通用方法论。