据MarkTechPost报道，一个名为Fly Language Model（FLM）的公开聊天机器人把完整保留的MaleCNS v1.0果蝇连接组接入冻结的LiquidAI LFM2.5-1.2B-Instruct骨干模型。开发者称其为世界首个Fly Language Model，并提到一个名为GPF（Generative Pre-trained Fly）的架构，但明确不宣称自己是首个基于连接组的语言模型。该系统可在本地部署，nftechie/flm仓库以MIT许可发布，在Python 3.12的macOS或Linux上运行，可使用MPS、CUDA或CPU，无需API密钥。
实际上，这是一个接在语言模型上的储备池计算机。MaleCNS图中有166,700个保留节点和25,582,938条有向边参与计算。图、骨干模型以及随机输入输出投影全部固定，只训练一个278,528参数的读出层，约占1,170,340,608个骨干参数的0.0238%。每个token，固定的高斯投影把2,048维token嵌入压到128个通道，每个储备池节点以随机符号接收一个通道。整个图随后按 x=tanh(W(0.6x+0.4Bc)) 更新，其中W保存经入度归一化的解剖接触计数。状态被池化到128个箱，经过两个训练得到的无偏置矩阵U（128乘128）和V（2,048乘128），再通过冻结的词表头投影，作为有界残差加到骨干logits上。残差在词表坐标上的RMS上限为0.25。
在32段新冻结的SmolTalk日常对话、共1,236个目标token上，三个拟合种子给出的结果为：冻结骨干NLL为1.381995；果蝇读出为1.359816±0.000110；直接输入读出为1.359328±0.000108；重新标记且不重训为1.381265±0.000802；无边为1.381995。果蝇读出把骨干改善0.0222 nat/token，困惑度从3.98降至3.90。但直接输入对照把同样的128通道token投影直接送入相同读出层而不经过图，在全部3个种子中都更好，每token相差0.000488 nat。配对自助法区间为+0.00000502到+0.00104，不支持存在果蝇特异的增益。
另外两个对照也重要。把W置零会精确移除残差，复现骨干的逐token损失，说明图确实参与计算。不重训而重新标记节点身份后，NLL回到基线附近，表明读出层依赖的是其学到的接口对齐，而非果蝇拓扑优于随机布线。研究报告还证明，该递归每token至多把初始状态差异收缩0.6；10个token后该上界为0.00605，20个token后为0.0000366。堆入166,700个细胞并未带来长时记忆，上下文仍来自骨干。
研究报告引用了更早的原型ngxson/fly-hf。该原型使用MaleCNS中49,393个细胞的中央脑子集作为储备池，在无预训练骨干的情况下用TinyStories训练，并明确不宣称是首个基于连接组的语言模型。FLM的不同在于规模，即使用完整保留图，以及冻结骨干设计，使语言能力来源可识别。研究工件仍保持私有，结果尚不能独立复现。