Recurrent Depth
循环深度（Recurrent Depth）是让 AI 模型多次反复经过同一组神经网络层的方法，使模型无需大幅扩大规模，就能在难题上投入更多计算。也称为“循环 Transformer”。
是什么
普通的 Transformer 模型会依次经过固定数量的层，每层只过一次，然后生成答案。循环深度方法则多次重复使用同一组层来处理问题。由于不是堆叠新层而是重复运行同一组层，所以无需大幅增加参数（模型学到的数值）数量，就能进行更多计算。之所以叫这个名字，是因为它增加“深度”靠的不是层数，而是重复次数。
如何工作
输入的句子进入模型后，先被转换为内部状态（Hidden Representation）。这个状态经过共享的层组一次，就变成稍作修正的状态，结果再次输入同一组层。在这个循环转过多次之后，模型才在最后一步用文字生成答案。让简单问题少循环、困难问题多循环，就能根据问题难度调节计算量，这是该方法的吸引力所在。
发展历程
研究中有一种思路，把循环深度看作模型设计中可以单独调节的旋钮。2026 年 10 月发布在 arXiv 上的“DeepThink”论文提出了一个框架，把存储知识的存储库、根据当前状态挑选所需知识的机制，以及反复修正状态的共享“思考”运算分开设计。这篇论文的新贡献在于，把“容纳多少知识”“一次使用多大范围”“重复多少次（循环深度）”拆分为不同的设计变量，并梳理了从已训练好的普通模型过渡到这种循环结构的路径。这项研究目前仍处于提出概念模型的阶段。
为何受到关注
据报道，OpenAI 正在把这项技术应用到下一代模型中，这一消息传出后，业界关注度上升。在性能方面，它的优点是无需扩大模型就能在难题上投入更多计算。另一方面，安全研究人员担心监督问题。现有推理模型会把解题的中间步骤以自然语言 CoT（Chain-of-Thought，思维链）形式留下，人可以从中寻找危险行为的线索；而在循环深度方法中，相当一部分内部计算可能不会以句子形式呈现。
现有推理模型与循环深度
现有推理模型以文字留下 CoT
- 用自然语言展示中间步骤
- 人容易发现危险信号
循环深度重复同一组层
- 无需大幅扩大模型即可投入更多计算
- 内部计算可能不以句子形式呈现
- 监督可能变得困难
공통 两者都是为在难题上投入更多计算的方法
需要了解的要点
循环深度具有两面性：它既是提升性能的技术，也可能让人更难观察 AI 的思考过程。因此有人提议 AI 公司应避免采用妨碍推理监督的设计。这项技术在某家公司的模型中用到了什么程度，目前大多来自媒体报道，阅读时应与官方确认的事实区分开。还值得记住的是，增加重复次数，计算时间和成本也会随之增加。
示例
本站报道过的消息中，有一则 WSJ 报道称，OpenAI 3 名安全研究员被解雇，源于一项关于“循环深度”机密泄露的调查。据报道，调查的起因是一篇关于 OpenAI 模型新推理技术的媒体报道，内容称该技术在提升性能的同时，可能让人更难掌握其思考过程。被解雇的研究员否认泄露机密，他们在被解雇前就一直主张应保留让人能够监督 AI 推理的结构。这一事件表明，循环深度已不只是一项性能技术，而成为围绕 AI 可监督性的争议焦点。