如何让 AI 思考得更“深”：什么是循环变换器 (Looped Transformer)？

试想一下，你正在解一道极其复杂的数学题。如果说以前的 AI 模型解题时是把漫长的计算过程一步步全写在纸上才得出答案，那么现在，出现了一种能够在大脑中多次重复同一逻辑过程、从而直接找到最优解的 AI。这就是近期 AI 业界最受瞩目的技术——“循环变换器 (Looped Transformer)”的核心思想。

为什么这很重要？

我们日常使用的 AI 助手和聊天机器人正变得越来越聪明。但在这些华丽的智能表现背后，现实是必须不断扩大模型的“体量”，而这带来了庞大的计算资源和能源消耗等副作用。

循环变换器为解决这一问题提出了一个“巧妙的突破口”。它不再通过物理上无限堆叠层数来扩展，而是通过重复重用已有的智能块（Block）来让模型进行更深层次的“思考”。这使得 AI 能够在智能手机等资源受限的设备上执行高阶推理。换言之，这是一项旨在开启“以更高效方式使用更智能 AI 的未来”的技术。

轻松理解：核心在于“重复”

为了让你更容易理解循环变换器，我们举两个例子。

第一个是“重复训练”。如果说普通的 AI 结构试图通过把百科全书从第 1 页到第 100 页扫描一遍来理解内容，那么循环变换器就像是一种学习方法：反复阅读最核心的章节，直到完全参透其中的含义。这是一种通过循环调用模型内部的“智能块 (Recurrent Block)”进行计算，从而获得更精确答案的结构[Source 2, Source 12]。

第二个是“滤镜照相机”。应用照片滤镜时，不是把多个滤镜排成一排让照片通过，而是将同一个滤镜重复叠加多次，使成像更细腻、更清晰。AI 模型也类似，通过让数据多次通过同一个固定的层（Block），反复分析数据并强化推理能力[Source 10]。

学术界通常将这种高效结构分为三个部分：向模型传递输入的“Prelude（序曲）”，实际发生重复计算的核心“RecurrentBlock（循环块）”，以及整理并输出最终答案的“Coda（尾声）”[Source 13, Source 20]。

当前现状

许多研究人员已经开始利用循环变换器努力超越现有模型的性能。特别值得一提的是，目前还发布了“无需训练的循环变换器”技术，无需改动庞大的 AI 模型，只需添加一个外部的“包装器 (Wrapper)”就能使其像循环结构一样运作[Source 5]。

过去的 RNN（循环神经网络，即处理数据的传统 AI 模型）因为必须按时间流逝顺序处理数据，导致速度慢且难以并行计算[Source 14]。但循环变换器克服了这一经典局限。它在沿时间轴并行处理每个输入 token（AI 处理的单词片段）的同时，保留了循环结构的优势[Source 6]。

此外，有分析指出，循环次数越多，模型内部的思考就越充分，因此我们平时在与聊天机器人对话时看到的“正在思考…”等长篇中间思维过程（Hidden Chain of Thought），即便不全部显示在屏幕上，模型也能给出更准确的答案[Source 1, Source 8]。

未来走向

循环变换器预示着 AI 学习方式和运作方式的巨大变革。未来，相比于无条件地增大模型规模，如何高效地循环旋转以调节思维深度，将成为衡量 AI 核心性能的指标[Source 19]。

对用户而言，这意味着我们所使用的普通设备也能提供更快、更准的 AI 回复；对开发者而言，这意味着能以更少的资源设计出高性能 AI。下次当 AI 给出一份答复时，何不好奇地想一下，这个模型究竟经历了多少次循环才得出答案呢？

MindTickleBytes 的 AI 记者视角

循环变换器是一个非常优秀的案例，它展示了 AI 正在从单纯靠“数据量”决胜负的时代，进化到靠“思维质量”决胜负的阶段。与其强迫 AI 学习“更多训练数据”，不如给它在现有资源内“更深入思考”的机会——这或许正是我们所梦想的 AI 真正进化的方向。

参考资料

1. [OpenAI Astra and Looped Transformers

   Sebastian Raschka, PhD](https://sebastianraschka.com/blog/2026/openai-astra-looped-transformers.html)

2. Looped Transformer Architecture

3. [What Is a Looped Transformer? Complete Guide to Recurrent Depth and OpenAI’s Astra

   Tosea.ai](https://tosea.ai/blog/looped-transformer-recurrent-depth-astra-guide)

4. LoopFormer: Elastic-Depth Looped Transformers for Latent Reasoning via Shortcut Modulation
5. Training-Free Looped Transformers

6. [What are Looped Transformers? Explained clearly

   AVB (@neural_avb) on X](https://x.com/neural_avb/article/2081741935883223196)

7. Looped Transformers are Better at Learning Learning Algorithms
8. GPT-6 Astra, Looped Transformers, and Hidden Reasoning
9. recurrent-looped-tranformer/Recurrent_Looped_Transformer.pdf
10. Mechanistic Dynamics of Looped Transformers
11. Transformers Are (Naively) Looped Transformers, Horizontally…
12. Looped Language Model Training Has a Hidden Supervision Flaw…
13. OpenMythos: 通过公开论文还原 Claude Mythos 架构假设
14. Abstract page for arXiv paper 1706.03762: Attention Is All You Need
15. Recurrence Strikes Back: Attention Is Not All You Need
16. What Does It Mean for a Model to ‘Think’? Reasoning, Recursion, and…

17. [Ultron — Recurrent-Depth Transformer

    Hugging Face](https://huggingface.co/trojan0x/ultron)

18. [open-mythos

    PyPI](https://pypi.org/project/open-mythos/)