果蝇全脑连接组接入冻结大模型，实验证明未提升性能

全连接组驱动的冻结大模型架构

Fly Language Model（FLM）是一个开源聊天机器人，将MaleCNS v1.0版本的完整雄性果蝇中枢神经系统连接组图谱（含166,700个保留节点与25,582,938条有向边）作为固定‘储层’（reservoir），耦合至冻结的LiquidAI LFM2.5-1.2B-Instruct语言模型主干。开发者称其为全球首个‘果蝇语言模型’，采用名为GPF（Generative Pre-trained Fly）的架构设计，但明确声明不自称首个‘连接组语言模型’，并坦承：在参数量匹配的对照实验中，不含果蝇图结构的基线模型表现反而略优。

该系统完全本地可部署，nftechie/flm代码库采用MIT许可证，支持Python 3.12（macOS/Linux），兼容MPS、CUDA或纯CPU运行，无需API密钥。

极简训练：仅0.0238%参数可调

整个系统中，果蝇连接组图谱、语言模型主干、随机输入/输出投影矩阵全部冻结。唯一可训练部分仅为一个278,528参数的读出层（readout），仅占主干1,170,340,608参数的0.0238%。每步token处理流程如下：先将2048维词嵌入经高斯投影压缩至128通道；每个储层节点接收其中一通道信号（附随机符号）；全图按公式x = tanh(W(0.6x + 0.4Bc))更新，其中W为归一化解剖接触计数矩阵；状态被池化为128个bin，再经两个无偏置的可训练矩阵U（128×128）和V（2048×128）变换，最终以RMS值上限为0.25的残差形式，叠加至冻结词汇表头的logits上。

实验结果：生物结构参与但未胜出

在32段SmolTalk日常对话（共1236个目标token）的冻结测试集上，三组随机种子结果如下（负对数似然NLL，单位：nats/token）：

• 冻结主干模型：1.381995
• 果蝇读出层：1.359816 ± 0.000110
• 直接输入读出层（无图结构）：1.359328 ± 0.000108
• 节点重标号（未重训）：1.381265 ± 0.000802
• 移除所有边：1.381995

果蝇读出层相较主干降低NLL 0.0222 nats/token（困惑度从3.98降至3.90），但直接输入对照组在全部三组种子中均更优（高出0.000488 nats/token）。配对自助法置信区间（+0.00000502 至 +0.00104）无法支持‘果蝇特异性增益’的结论。另两项关键对照证实：设W为零时残差完全消失，NLL回归主干水平，证明图结构确有参与；而仅重标节点ID（不重训）即导致NLL回归基线，说明读出层依赖的是其与特定图拓扑对齐的学习接口，而非果蝇拓扑本身优于随机布线。

记忆能力分析：无长程上下文增益

研究进一步证明，该储层的状态收缩率恒为每token最多0.6——即初始状态差异在10 token后衰减至0.00605，20 token后仅剩0.0000366。这意味着堆叠16.7万个神经元并未带来长程记忆能力，上下文建模仍完全依赖主干模型。

前序工作与定位澄清

论文明确引用更早的原型项目ngxson/fly-hf：其使用MaleCNS中49,393节点的中央脑子集，在TinyStories数据集上独立训练储层，未结合预训练主干。FLM强调自身创新在于两点：一是首次采用全保留果蝇连接组图谱，二是采用‘冻结主干’设计，使语言能力来源可清晰归因——并非宣称技术首创性，而是突出规模与可解释性设计。

编者观点

该研究以严谨对照实验揭示：直接将生物神经连接组‘硬连线’至大模型，并不自动转化为性能优势；真正有价值的可能是受生物启发的动态机制建模，而非静态拓扑复刻。对中国AI研发团队而言，与其追求‘最大连接组’噱头，不如聚焦可验证、可归因的神经计算原理迁移。