Agentic AI 是基础模型分布外泛化缺失的范式

基础模型（FM）越来越多地部署在分布偏移成为常态而非例外的开放世界环境中。它们面临的分布外（OOD）现象——知识边界、能力上限、组合偏移和开放式任务变化——在类型上不同于塑造了先前 OOD 研究的设定，并因现代 FM 的预训练和训练后分布通常仅被部分观测到而进一步复杂化。我们的立场是，基础模型的 OOD 是一个结构性独特的问题，无法在以模型为中心的范式内解决，而 Agentic 系统构成了解决该问题所需的缺失范式。我们通过四个步骤捍卫这一主张。首先，我们给出了一个阶段感知的 OOD 形式化，以适应部分观测的多阶段训练分布。其次，我们证明了参数覆盖上限：存在以模型为中心的方法（训练时或测试时）在容差 $\varepsilon$ 内无法处理的、具有实际相关性的输入，其原因内在归于基于参数的表示。第三，我们通过四个结构属性——感知、策略选择、外部动作和闭环验证——刻画了 Agentic OOD 系统，并证明它们严格地将可达集扩展到了上限之外。第四，我们回应了七个反论，承认了其中两个，并概述了研究议程。我们不主张 Agentic 方法包含以模型为中心的方法；我们主张两者是互补的，并且 FM-OOD 的进展需要明确将 Agentic 范式认可为第一类研究方向。