先定义问题，再选择方法
一个有价值的研究问题，应当说明系统需要在什么场景中完成什么任务，以及目前的方法为什么不足。我们倾向于从用户体验和真实约束中提炼问题，再决定需要改变数据、训练目标、模型结构还是推理系统。
例如，连续互动中的人格漂移可能涉及上下文组织与训练分布，动作无法及时响应新指令可能涉及因果建模与推理调度。把这些问题都归结为参数规模，会掩盖真正需要验证的机制。
以连续性连接生成与交互
实时生成需要面对持续到来的输入。前一段画面已经播放，下一段仍在计算，新的指令又可能改变角色动作。研究不仅要看局部画面，也要关注跨片段的身份、动作、节奏和空间关系。
我们把时序一致性、因果约束和可控性放在同一框架中考虑。对速度的评价应明确硬件、分辨率、时长、采样配置、并发和预热条件，同时区分首个输出的等待时间与持续生成速度。
用可比较的实验建立结论
有意义的对比需要尽量控制输入、版本与评价流程。我们倡导记录模型标识、提示词、采样配置、评测样本和裁判设置，让其他人能够理解结果对应的条件。
对于主观体验，我们关注多位评价者、多种场景和较长交互的共同表现。对于自动评分，我们关注裁判偏好、提示词敏感性和排序波动。单个总分之外，失败案例和维度差异同样重要。
- 把探索性实验与正式结果分别记录。
- 同时呈现平均表现、波动范围和主要失败模式。
- 对关键变化做消融或针对性复测，尽量定位改进来源。
- 明确样本覆盖范围，避免把有限实验扩大为普遍结论。
把工程约束纳入研究
模型进入产品后，需要在网络波动、资源限制和用户中途改变意图时继续工作。推理速度、内存占用、部署复杂度、故障恢复和单位使用成本，决定了一项能力能否被持续使用。
因此，我们同时研究算法效率和系统协同。缓存、流式调度、任务切分与模型压缩，都需要与最终体验一起验证。效率改进的目标是让更多真实场景获得可用能力，并保留必要的质量和安全边界。
以适当的开放促进复核
不同阶段的成果适合不同形式的开放。研究文章可以解释方法，评测报告可以说明条件，代码和权重则需要额外考虑依赖许可、数据权利与潜在风险。开放范围应与完成度和风险判断相匹配。
我们希望清楚区分研究方向、研究预览、已开放产品和正式承诺。官网中的概念画面和品牌影像用于解释方向，具体功能、性能与许可需要由对应的产品说明和发布材料支持。
把社交智能作为可研究的能力
社交智能涉及语境、关系、意图和行为边界。我们关注模型如何理解说话者的处境，如何在多轮交流中保持角色与事实的一致，以及如何表达情绪、幽默和不同意见。
自然感并不等于始终赞同用户。合适的系统应当能承认不确定、接受纠正，并在用户需要空间时减少主动性。我们希望通过数据和后训练研究这些行为，而不是仅凭固定话术判断效果。