Error（误差）是衡量模型输出与期望结果之间偏差的基本量，在机器学习领域既是优化的核心信号，也是评估模型可靠性的关键指标。近期围绕 Error 的研究与产品动态，正从单纯降低误差数值，转向对误差的再利用、条件化建模与低成本评估。
Error 近期研究进展
Sakana AI 发布了一种基于 Error Diffusion 的训练方法，训练出符合 Dale 原则的双流网络，在 MNIST 上达到 96.7%、CIFAR-10 上达到 61.7% 的准确率，且全程不使用反向传播。该方法把误差当作扩散信号而非梯度来源，为无反向传播训练提供了新思路。Sakana AI 用 Error Diffusion 训练双流网络，MNIST 96.7%/CIFAR-10 61.7% 无反向传播
arXiv 上出现的 Orbital Error Dynamics 则尝试用 24 字节种子程序化生成参数，替代存储权重，其核心思想与误差动力学相关。这一方向若成立，将大幅压缩模型存储开销，但目前仍属早期探索。arXiv 论文提出 Orbital Error Dynamics：用 24 字节种子程序化生成参数替代存储权重
在求解偏微分方程方面，Error-Conditioned Neural Solvers 提出基于残差输入进行迭代校正，把误差作为网络输入的一部分，从而在迭代中逐步逼近解。Error-Conditioned Neural Solvers 提出基于残差输入迭代校正的PDE求解方法
Error 评估与工程实践
LangChain 推出 LangSmith Tuned Evaluators，宣称可降低 82% 的评估成本。该工具通过微调评估器来检测感知错误，并与 Fireworks AI 合作微调 Qwen 法官模型。评估环节的误差检测正从人工规则转向可训练的小模型。LangSmith Tuned Evaluators 发布，降低 82% 评估成本 LangChain与Fireworks AI微调Qwen法官模型检测感知错误
当前焦点与观察点
围绕 Error 的焦点已从“降误差”扩展到“用误差”：误差既可作训练信号、网络输入，也可作评估对象。观察点在于，无反向传播训练能否在更大规模上保持竞争力，以及程序化生成参数与误差条件化求解是否具备可复现的扩展性。评估成本下降 82% 这类工程收益，则更依赖实际部署验证。