ELR 提出无税循环语言模型，产出 Koi-4B
原文标题：One Model to Loop Them All: Elastic Latent Recurrence for Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
arXiv 论文提出 Elastic Latent Recurrence（ELR）训练方法，让循环（latent recurrent）语言模型在单次循环时不再落后于同规模非循环模型，从而消除「单循环税」。通过门控状态更新、混合循环深度与循环索引条件化三项设计，模型可随推理算力增加循环次数换取精度。在 4B 稠密与 30B-A3B MoE 混合模型上验证，后训练得到单一 checkpoint Koi-4B，单循环约 18 分、四循环约 29 分。
- 问题
- 循环语言模型单次循环精度落后同规模非循环模型，形成「单循环税」。
- 方法
- ELR 用门控状态更新、混合循环深度与循环索引条件化训练，使单循环追平非循环模型，多循环换精度。
- 结果
- 4B 稠密与 30B-A3B MoE 上验证，单循环约 18 分、四循环约 29 分；MoE 复用首循环专家路由省 11.7% 更新耗时。
- 影响
- 一个 checkpoint 即可按延迟预算调循环次数，部署时用算力换精度，省去维护两套模型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ELR 消除循环模型「单循环税」，Koi-4B 单循环约18分、四循环约29分。
- •arXiv 论文提出 Elastic Latent Recurrence 训练方法，让循环语言模型在单次循环时不再落后于同规模非循环模型
- •三项设计：门控状态更新（学习步长）、每次优化器更新内混合循环深度、按循环索引与预算做条件化
- •在 4B 稠密与 30B-A3B MoE 上验证，后训练得到单一 checkpoint Koi-4B
- •Koi-4B 单循环约 18 分、四循环约 29 分，用推理算力换精度
- •MoE 中复用首循环专家路由，混合深度更新耗时降低 11.7%，精度无可测变化
为什么重要：若成立，同一 checkpoint 可按延迟预算调节循环次数，服务成本与精度不再二选一，对推理部署方和模型架构选型有直接影响。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。