Conditioned（条件化）是机器学习中一种基础性的建模范式，指模型的输出不再只依赖输入本身，而是额外接收一个控制信号（条件），如提示词、评分标准、误差残差或激活状态，从而让同一模型能够按需生成或调整行为。它既是扩散模型、大语言模型等生成系统的核心技术，也是当前自监督学习与智能体训练研究中频繁出现的设计思路。
Conditioned 方法的研究近况
近期多项工作将条件化思路与自蒸馏结合，成为一条明显的趋势线。其中，Rubric-Conditioned Self-Distillation 提出用评分标准（Rubric）作为条件来重新组织奖励监督（https://arxiv.org/abs/2606.19327v1）；Critique-Conditioned 自蒸馏则更进一步，让打分教师模型先写出批评意见，再基于批评内容校准训练信号（https://arxiv.org/abs/2610.13744v1）。同期还有 Activation-Conditioned Self-Distillation 的发布，把条件信号换成了模型内部激活（https://arxiv.org/abs/2609.38342v1）。三条路线共同指向一个问题：如何用比标量奖励更丰富的条件信息来指导模型自我改进。
在智能体与环境生成方向，Policy-Conditioned 环境生成方法引起讨论：它根据导航智能体的失败经验生成新的可学习环境，让训练难度随策略能力自适应变化（https://x.com/_akhaliq/status/2110784877629202507）。另有工作尝试用训练后的轨迹来预测基座模型的编程智能体潜力，属于以行为为条件的能力评估思路（https://arxiv.org/abs/2610.10478v1）。
在更偏工程与科学计算的场景中，条件化同样活跃。Error-Conditioned Neural Solvers 将求解残差作为额外输入，迭代校正神经 PDE 求解器的预测（https://arxiv.org/abs/2606.27354v1）；Prompt-Conditioned Channel Attention 则用提示条件化通道注意力，实现跨解剖结构的通用医学图像分割（https://arxiv.org/abs/2608.20229v1）。
当前焦点与观察点
综观这些工作，Conditioned 研究的焦点大致有三个。一是条件信号的选择：从提示词、评分标准、批评文本到内部激活，社区正在比较哪类条件对自蒸馏和奖励建模最有效，但尚缺乏统一的评测基准。二是与课程学习和环境生成的结合：以策略或失败状态为条件生成训练数据，可能缓解智能体训练中的探索瓶颈，其实际收益仍待更大规模验证。
三是效率层面：SCOPE 框架用仅 135M 参数的模型在 Lean 定理证明上超越 DeepSeek-Prover（https://arxiv.org/abs/2610.08319v1），说明精细的条件化与训练流程设计有机会缩小小模型与大模型的差距，这一结论能否推广到其他任务值得跟踪。整体来看，条件化正在从一种架构技巧演变为组织监督信号、评估能力和自动化课程的设计语言，但其泛化边界与理论解释仍是开放问题。