小模型负责阅读；大模型专注思考，DRIFT方法开启AI推理新格局。

当下人工智能领域，长上下文能力已成为热门议题。模型上下文窗口不断扩大，但实际应用中，超长输入往往带来更多挑战而非收益。上海人工智能实验室联合复旦大学的研究者推出DRIFT框架，通过将知识提取与逻辑推理彻底分离，探索更高效的处理路径。

过去的方法主要围绕压缩、检索或记忆模块展开。硬压缩容易丢失重要片段，软压缩则可能保留无关冗余。检索增强方式依赖外部工具质量，而参数化记忆虽高效，却难以适应即时新信息注入。这些方案虽有进展，但仍未摆脱单一模型同时处理读取与推理的根本局限。

DRIFT提出全新视角：知识获取与推理本应由不同模块承担。小型知识模型承担“阅读”职责，它扫描长文档，针对当前任务提炼核心事实，并编码成隐式事实标记。这种标记形式高度浓缩，脱离原始文本形态，直接投影至推理模型的嵌入空间。大模型则专注于基于这些纯净知识进行多步推理，避免被海量细节干扰。

训练过程分三步推进。第一步优化知识模型的抽取精度；第二步确保两者协作顺畅；第三步强化推理模型适应新输入模态。这种渐进式训练让整个系统逐步成熟。多项基准测试显示，在相同资源下，该框架不仅效率更高，性能也得到保持或提升，证明解耦设计的实际效果。

有趣的是，推理模型脱离直接文本接触后，通用能力并未下降。它在代码生成、知识问答等任务中仍保持强劲表现。同时，由于架构特性，系统在面对恶意诱导或越狱尝试时表现出更强抵抗力。这种无需专门训练的安全增益，源于推理过程基于抽象表示而非原始内容。

在特定领域如生物信息处理中，类似思路已见成效。专用模块解析复杂序列，大模型执行高级推理。这种分工模式有望在科学发现等领域发挥更大作用。DRIFT不仅解决技术瓶颈，更提供一种思考范式：让模型各司其职，方能实现整体跃升。

这项研究强调，未来AI发展方向或许在于模块化与专业化，而非一味追求单一超大规模。上海AI实验室的探索为长上下文推理注入新活力，值得持续关注与深入研究。