导读：NovaCore围绕复杂任务中的持续对齐展开研发，目前已形成训练策略、数据与评测设计、Agent交互载体及通用能力基础。在此基础上，深穹星核正在推进脑信号过程监督的研究链路，探索能否用脑信号标记认知状态变化，再将这些规律迁移到语言、语音、视觉和交互行为模型中。

复杂任务中的同脑意图理解

近日，深穹星核完成新一轮融资，由某一线产业投资方领投，交大母基金菡源资产、交大超级交子基金跟投，老股东乾融资本超额追投。随着研发进入新的阶段，公司同步披露NovaCore同脑意图模型的研发路线：延续既有意图理解、训练策略与交互系统积累，进一步研究模型如何在复杂任务中持续理解人、与人对齐。真实任务中的信息通常不会一次给全，目标和约束也会在推进中变化。模型如果用自己的假设填补关键缺口，执行能力越强，偏差越容易在后续步骤中被放大。

该问时问，该做时做；方向变了，及时重新对齐。

深穹星核将这种能力概括为“恰到好处的持续对齐”：在真正影响任务方向的节点校准理解，其余时间继续推进，让模型在行动与确认之间形成合适的分寸。在深穹星核的研发框架中，同脑意图模型指向一种过程能力：模型不仅处理人表达出来的结果，还要学习理解与判断如何形成、如何在反馈中修正，并将这一过程转化为持续理解人、适时澄清、推进执行和动态对齐。脑信号是团队正在引入的训练期过程参照；最终部署仍以语言、语音、视觉、行为和交互历史为主要信息来源。

感知信息 → 发现未知 → 补充认知 → 形成理解 → 判断行动 → 接收反馈 → 重新对齐

NovaCore的研发底座 训练 数据 评测与交互场景

NovaCore的研发起点，是让模型更接近人形成理解、作出判断和持续修正的过程，进而在复杂任务中保持对人的长期理解。围绕这一目标，深穹星核已经从训练策略、数据组织、评测设计和交互载体等多个环节展开建设。当前NovaCore延续了深穹星核此前的技术路线：IA-WM（Intention-aware World Model）负责建模人的状态、意图及其随环境反馈发生的变化，VLIA（Vision-Language-Intention-Action）将这种理解连接到视觉、语言与动作输出；NovaCore则把这些能力进一步收束到核心模型层。这些工作共同构成NovaCore当前的研发底座，也为下一步引入认知过程监督提供了稳定的模型、数据和场景基础。

第一层是训练策略。持续对齐要求模型不断吸收新任务、新反馈和认知过程监督，同时控制既有能力漂移。深穹星核将两项互补方法用于NovaCore的后训练：Geometrically Constrained Policy Optimization（GCPO）从参数子空间几何出发，为有效更新划定边界，尽量避开承载既有能力的关键方向。

Noise-Aware Adaptive Mixing for Hybrid SFT-RL Post-Training（GAC）在线估计SFT与RL信号的不确定性和分歧，动态调整两路训练权重。前者回答“往哪里学”，后者判断“此刻更该相信什么”，共同构成可控的持续后训练，使NovaCore在学习人的目标、反馈和认知状态变化时保持稳定。两项研究均已开源，GAC已获EMNLP 2026接收。
GCPO开源代码：https://github.com/deepnovacore/GCPO

GAC开源代码：https://github.com/deepnovacore/GAC

GCPO约束更新方向，GAC动态调度训练信号

第二层是数据与Benchmark。深穹星核按照完整认知轨迹组织数据：发现了什么、还缺什么、为何行动、如何反馈、何时纠偏。公司已形成百TB级多模态意图与交互数据资产，并与井英科技、友谊时光等企业合作建设数据。围绕复杂协作中的信息缺口，团队把评测重点放在三个方面：模型能否识别真正影响任务方向的未知信息，能否在推进与确认之间选择合适时机，以及在目标和约束变化后及时更新理解。相关意图理解Benchmark正在完善，后续将随研究进展对外发布。

第三层是交互场景。深穹星核进一步开源了Nova Audio Agent用来定义和观察信息缺口、反馈纠偏与目标变化等问题，关注编程等长程任务推进中的持续沟通：通过实时交互与后台任务执行的协同，用户可以在任务进行中补充信息、调整目标。系统既要保持任务推进，也要判断何时需要重新与人沟通——关键信息不足时澄清，需要用户授权时确认，出现重要进展或结果时反馈，其余时间减少不必要的打扰。这一场景为观察和评估系统如何在自主推进与适时同步进度之间把握分寸，提供了连续的交互环境。

NovaAudioAgent开源代码：https://github.com/deepnovacore/NovaAudioAgent

通用性能为过程监督研究提供模型底座

在公司内部测试中，NovaCore在SAGE情感交互、MATH500数学、HumanEval+代码和ToolAlpaca工具使用四项测试上分别取得56.89、81.32、90.08和72.95的性能，均高于图中所列对比模型。这组结果刻画的是NovaCore承载后续研究所需的跨任务基础能力；意图理解与持续对齐的性能后续与专项Benchmark一同发布。

NovaCore四项通用能力内部测试结果

脑信号作为训练期过程参照的研究路径

脑信号研究是深穹星核坚定看好的长期发展方向，也是公司长期重点投入的核心研究领域。围绕这一方向，公司持续推进认知任务范式、脑信号与交互事件同步、信号处理、个体化基线和多模态数据管理。团队把这项长期投入收束到同脑意图模型的研发链路，并将技术门槛明确为：脑信号中的状态变化，能否与人在任务中发现偏差、修正判断的时点形成稳定映射。

为什么还要看脑信号？语言、表情、鼠标和操作日志，大多在判断已经外显后才留下记录。眼动可以反映注意转移，皮肤电可以反映唤醒变化，却难以单独说明一个人此刻是在困惑、否定方案，还是准备改变判断。脑信号提供了一个更靠近认知变化发生时点的观察窗口。NovaCore希望补上的，正是人在尚未明确说出“不对”之前，理解已经开始动摇的那段过程。

现有意图与交互数据支撑模型底座，脑信号研究子集正按独立链路推进

这条研究路径从自然交互出发：语言、语音、表情、操作历史和任务环境先形成对用户目标的理解与少量候选方案；脑信号不负责生成完整意图，而是在受控研究中辅助标记认知状态发生变化的时刻。

团队关注的并非“读出人在想什么”，而是几个与交互决策相关的低维状态：当前理解是否出现冲突，判断是否趋于稳定，是否发现偏差，以及是否准备改变原有判断。它们对应三个待学习的行为门控——继续询问、开始行动或重新对齐。

这一设想有明确的研究基础。受控研究已经观察到与证据积累、决策置信、错误发现和判断调整相关的脑信号时序变化；错误相关电位进入人机闭环，也为用神经反馈触发纠偏提供了先例。关键认知时点具备被观察的可能，NovaCore接下来要解决的是如何把它转化为复杂交互中的有效训练信号。

为此，团队将脑信号设定为低带宽、个体化的“过程教师”：它只为候选理解和行动方案提供确认、否决或纠偏参照，再通过状态感知门控把参照传递给NovaCore。研究目标是让模型逐步学会在关键信息缺失时询问、理解相对稳定时行动、发现偏差时重新对齐。目前已有不少研究展示了脑信号Token化、多通道时序建模和跨任务学习的可行性，NovaCore进一步探索探索脑信号过程标签能否迁移到语言、视觉和操作行为。

公司将脑信号确立为长期发展方向，并不意味着把脑信号直接作为NovaCore未来产品的输入接口。团队当前设定的技术路径，是让脑信号主要用于受控研究、训练与标定环节；如果过程信号能够稳定迁移，最终模型将依靠日常可获得的自然交互信息完成判断，用户无需佩戴脑机设备。

作为公司长期重点投入的研究方向，相关工作正依照合作机构的科研伦理与数据管理规范推进。深穹星核将持续完善受控任务、同步采集、信号处理、过程标签、模型训练和评估链路，并在知情同意、数据去标识化和授权范围内开展数据研究。

NovaCore研究路径：脑信号标记训练期关键时点，模型以自然交互信息完成部署推理

为什么是深穹星核：研究能否落地需要跨学科协同

脑信号进入模型训练，难点远不止获得一批数据。认知任务如何设计、采集事件如何标记、噪声和个体差异如何处理，决定过程标签是否可靠；这些标签还要与语言、行为和任务反馈同步，再进入模型训练与评估。任何一环失真，都可能把噪声放大成错误判断。这项工作需要临床研究、脑科学、数据工程、模型训练和交互产品在同一条链路上协同。

基于与上海交通大学医学院附属第九人民医院、上海交通大学的既有合作基础，深穹星核正在探索临床研究、脑科学、信号处理与模型训练的跨学科协同。结合自身在训练策略、多模态数据、Agent和机器人载体上的积累，团队正把认知实验、过程标签与真实交互场景逐步接入同一研发管线。

人脸机器人为同脑意图研究提供真实交互载体

深穹星核此前已推出人脸机器人Nova S1。团队认为，面对面交互集中呈现语言、表情、视线与动作，是观察意图理解与持续对齐的合适载体：模型是否理解人、能否把握回应时机，可以被用户直接感知。Nova S1相关内容在主流社交平台累计播放量突破百万，已经获得市场关注。

基于既有产品与用户反馈，深穹星核正推动Nova S1与NovaCore研发体系结合，将品牌互动、展陈导览和服务接待等真实场景作为产品适配与交互研究的入口。随着相关能力逐步验证，团队计划把语言、表情、视线、动作和交互历史纳入持续理解链路，让模型研究能够进入可部署、可观察、可迭代的产品环境。

研发目标 成为人与万物交互的桥梁

未来接收人类指令的入口，会从聊天框扩展到软件、智能终端、机器人、游戏角色和数字世界。人的表达常常模糊并持续变化，机器却需要把它转化为明确的目标、约束和行动。如果这条路径得到验证，模型将在偏差放大前发起澄清，在理解趋稳后继续执行，在目标变化时主动回来对齐。它的主动性将不再主要来自预设提示词，而来自对“人何时犹豫、何时确信、何时改变判断”的学习。深穹星核希望以此把人的认知连接到软件、智能终端和机器人，让NovaCore成为“人与万物交互的桥梁”。此次披露的，是公司正在推进的研发路线，也是下一阶段希望回答的核心问题。

深穹星核表示：“感谢本轮领投方、菡源资产、交大超级交子以及持续支持我们的老股东乾融资本对团队和技术方向的信任。理解人的意图、适应人的需求，将成为智能系统融入现实世界的重要基础。深穹星核致力于推动脑科学与人工智能的交叉创新，探索下一代人机交互的核心能力。我们希望，这些探索最终能走进人们的日常生活，尤其在养老服务中，让技术更好地理解长者的习惯和意愿，让陪伴更贴心、照护更周到，也让家人多一份安心。我们将以此次融资为新的起点，坚持长期研发投入，携手科研与产业伙伴，推动前沿探索走向广泛应用，让NovaCore成为人与万物交互的桥梁。”

菡源资产表示：“我们看好意图理解与持续对齐在人机交互中的长期价值。随着人工智能走向更复杂的真实场景，对人的理解将成为影响产品价值的重要因素。创始人的交大背景，以及团队在模型训练、多模态数据与交互载体上的持续积累，让我们看到了科研视野与工程实践相结合的潜力。对于脑科学与人工智能这样的交叉领域，这种结合有助于团队把握前沿方向，并将长期研究落实为产品创新。我们期待深穹星核坚持长期投入，逐步形成差异化的技术能力与可持续的商业价值。”

交大超级交子表示：“前沿技术走向产业应用，需要能够连接科研与市场的创业团队。深穹星核创始人的交大背景，为团队融入跨学科创新生态、开展产学研交流合作提供了良好基础。我们关注团队如何将这一优势转化为实际的创新能力，让不同学科的研究力量围绕真实需求协同探索，推动科研成果走向产品应用。期待深穹星核走出一条以扎实研究支撑持续创新、以产业实践检验技术价值的发展路径。”

查看更多项目信息，请前往「睿兽分析」。