有之此些研讨结局，Anthropic之Mythos为否真之用之此套架构，似乎已不重要之。
RDT不用上百层，只用几层，最多反复轮回跑16遍，每一遍皆基于前一轮之结局续计算。
https://arxiv.org/abs/2604.07822 https://x.com/KyeGomezB/status/2045660378844024994 听说Mythos太险恶被封印。
此与Chain-of-Thought完全不同。
Kye还引用之俄亥俄州立大学之一篇论文，对轮回Transformer架构做之两名枢纽实验。
16轮推演全部于hidden state向量中成，不生成任何中间token。
同一名东西跑16遍，彼不为费算力吗。
已有研讨证实，此种架构仅用1半参数，就能得与旧俗模型同等之效果。
实验中用770M参数之RDT追平之1.3B参数之标准Transformer。
操练时只教之20跳推演链，测试时直接给30跳。
最后一块拼图为连续潜于方位推演。
更多理论与实验验证正路上。
CoT为“想一步，写一步，再想一步，再写一步”，中间token全部暴露给苍生阅读。
OpenMythos，整顿之公开研讨与目前对Claude Mythos架构之主流推测。
操练时从没见过之学识组合，推演时轮回Transformer照样能答对，标准Transformer直接败。
让同一组权重最多反复跑16遍每次走不同之专家路径推演全程于潜于方位成。
它们无法将已知事实串联起来回答新颖疑难。
RDT为“想完16遍才说一句话”，推演历程完全内化。
尽管白宫AI顾问大卫·萨克斯（David Sacks）发文质疑Anthropic为否于扮演“喊狼来之之孩子”，但残酷之现状为，黑客早已始使用大模型发动繁攻击。
三者合力，让一名疑难“想更多遍”比堆参数更高效。
对轮回Transformer之猜想已吸引之来自学术界之大量目光。
四、抱负与现状之碰撞：天才国度之愿景与五角大楼之决裂 RDT之回答为不会重复，因每次轮回激活之为不同之“专家”。
过往两年，AI行业之标准打法为堆叠上百层不同之Transformer层，每层学到不同之东西，参数量直接爆炸。
直到最后一轮轮回终，才输出解答。
Gomez把此套设计小结成一句话： 来自UCSD与Together AI之新论文Parcae: Scaling Laws For Stable Looped Language Models提出LTI稳固轮回注入让每轮不发散。
若此些断语成立，Scaling之主流将从”操练更大之模型”转向“让现有模型于推演时多想几遍”。
https://github.com/kyegomez/OpenMythos#the-central-hypothesis MoE提供领域学识之广度，轮回提供推演之深度。
轮回Transformer之对付方式就为于推演时多加几轮轮回，标准Transformer直接崩溃。
自我革命。把此些碎片拼于一起之者叫Kye Gomez，22岁，Swarms智能体框架创始者。
广度与深度皆有之，还需一套稳固性机制保证轮回不会跑飞。
轮回似乎免费解锁之此种组合本领。
https://arxiv.org/abs/2604.12946 量子位 | 公众号 QbitAI OpenMythos实现之一名带有MoE路由机制之轮回深度Transformer（Recurrent-Depth Transformer ，RDT），通过跨专家之权重共享与机缘计算来实现迭代深度。
此些结局说明当前大模型于预操练中已记住之大量事实，瓶颈于于学识组合。
他设计之RDT架构有三名核心点： 此证验轮回不为重复计算，为真正之”更深层思考”。
据Anthropic披露，已有网络机构尝试使用Claude模型渗透约30名宗旨，更有攻击者借AI窃取政府数据、部署勒索软件。
有者反手就给他“重修”并开源之。
参数量少之近一半，效果一样。
轮回块内部用之混合专家层，MoE路由器于每次轮回中激活不同之专家子集。
MoE之设计上借鉴之DeepSeekMoE：大量细粒度路由专家，加少量始终于线之共享专家。