Model Collapse 模拟器 2.0

反坍缩纪元——4 Tab × 分布坍缩 × 文本多样性 × 互联网污染 × 反坍缩工具箱

Nature 2024 → 反坍缩纪元 2026

当 AI 吃掉自己的尾巴

从"坍缩不可避免"到"坍缩可控可逆"——2025-2026 年的范式转折。
但故事已经改变：我们知道了如何阻止坍缩。

🏋️ 强模型坍缩 (Dohmatob et al.)

初始分布

采样量 N=1000

温度 T=1.0

替换模式

当前代数

标准差

—

均值偏移

—

峰度

—

正常

信息熵 (Shannon)

—

核心参考：Shumailov et al. "AI models collapse when trained on recursively generated data" Nature (2024)

反坍缩参考：Donoho et al. "Collapse or Thrive?" Stanford (2025) · Adapala "Anti-Ouroboros Effect" (2025) · KCL/NTNU "One Real Sample Blocks Collapse" PRL (2026-05)

额外参考：Yi et al. "Verifier Convergence" ICLR (2026) · Shi et al. "Entropy Collapse" ICML 2025W (r=0.91) · Dohmatob et al. "Strong Model Collapse" · Dixit "Phantom Transfer" arXiv:2607.10750 · Meta FAIR "30% Optimal Mix" (2025) · Stanford AI Index (2026)

所有模拟为教学演示，基于预计算序列和规则引擎，非实时 LLM 输出。数据基于 OECD/NewsGuard/Epoch AI/Stanford AI Index 2026 等实证，远景为推测。