DeepSeek-R1后又一推理训练里程碑：用递归重构Transformer

正文

请到「今天看啥」查看全文

（整个Diffusion过程就是疯狂递归）

而研究人员这次也把递归这个结构引入了Transformer架构。

如果说扩散模型是通过多步去噪来精炼图像细节，那么这个新架构则是通过反复计算来提炼推理结果。就像扩散模型能够通过迭代生成越来越清晰的图像一样，这个模型能够通过重复计算来增强其推理能力。

传统Transformer架构是一个前馈式的计算图：每一层的计算只发生一次，从输入到输出是一个确定的路径。每个参数只参与一次计算。这种设计使得模型的计算深度完全由层数决定，要增加计算深度就必须增加参数量。

（这是一层，然后有一堆这种层）

这就像一条高速公路。信息从起点开始，经过预设的路线，直接到达终点。这条路可能会很长（更多的层），但每个路段只会经过一次。要让模型变得更强大，就需要修建更多的路段，这意味着更多的成本。

而研究团队新提出的递归深度架构打破了这种一次性计算的限制。它在Transformer的基础上引入了一个核心创新：允许同一组参数被重复使用。

这就是信息不是简单地从A走到B，而是可以在同一个跑道上反复奔跑。关键是，这个跑道的长度（模型大小）并没有改变，改变的是可以在上面跑多少圈（思考的深度）。

这个被重复使用的参数组被研究人员称为循环核心，它为一个仅为4层的神经网络。

整个新Transformer的架构整体被研究人员分成预奏-核心-尾声"(Prelude-Core-Coda)三个部分。

预奏和尾声就相当于编码器和解码器。预奏"(Prelude)层的工作就像是一个翻译官，将输入的文本转换成一种特殊的"潜在空间"表示。最后的"尾声"(Coda)层负责将模型的思考结果转换回人类可以理解的形式。它们都仅有两层神经网络。

也就是说这个模型本身只有8层神经网络，对比之下ChatGPT 3.5有96层神经网络。

结构相当简单粗暴，但这是继Titans之后，对Transfomer做的最大胆的一次变革。

我们再来深入看看这个核心是怎么工作的。

我们可以把循环核心块比作一个大脑。当它开始工作时，首先会从一个随机的思维状态，即初始状态s0。这个状态就像你刚睡醒时还有点迷糊的大脑。接着，它会拿到经过前奏(Prelude)处理的问题信息，比如"2+3=?"这个算术题。

在每一轮思考（也就是每次迭代）中，这个"大脑"会做三件主要的事：

它会通过自注意力机制整理当前的思维状态，就像你在整理自己的思路；通过交叉注意力机制，它会将问题信息"2+3"和当前的思维状态结合起来，就像你在把问题和已有的理解联系在一起；通过一个前馈网络进行深入处理，就像你在对已经理解的内容进行推理。

每一轮思考都会产生一个"状态"（state）。这个状态可以理解为模型当前对问题的理解程度。 而在下一轮思考时，模型是接受之前的问题和前一状态，通过adapter矩阵将它们连接起来。这样每轮新的思考不是独立的，这就像你在累积对问题的理解。

而这个思考过程会反复进行。比如解一道数学证明题，可能需要十几二十轮的深入思考才能得到完整的解答。

而它在这个反复过程中，这个模型展示出了和DeepSeek R1一样的"思考时间的自适应性"。比如对于"15+7"这样的简单计算，模型平均只需要3-4次迭代就能得出答案。而面对"如果8个工人6天完成一项工作，那么12个工人完成同样的工作需要几天？"这样的问题时，迭代次数会自动增加到8-10次。

（此图表示：模型在简单的任务如OpenBookQA中，很快就能收敛；而在复杂的任务如GSM8K需要更多的迭代次数；ARC challenge也需要较深的计算深度）

这说明，模型很有可能确实展现出了深度推理思考的特征——它知道什么题该认真想。

而且这种能力是模型在训练时就自然获得的。这个模型的整个训练过程中只有最常规的预训练和指令微调、对话微调。完全没有CoT这样特定的示例，也没有RL那样的奖励机制和采样策略，甚至连RHLF都没有。训练模式比ChatGPT时代还简单。

请到「今天看啥」查看全文