就在剛剛，KAIST、Mila和谷歌DeepMind團隊等放出重磅炸彈——

一個名為Mixture-of-Recursions的全新LLM模型架構。

這個嶄新的架構，被業內認為有潛力成為Transformer殺手！

它的推理速度提升2倍，訓練FLOP減少，KV緩存內存直接減半。

最終，在135M到1.7B的參數規模下，MoR直接劃出了一個新的帕累托前沿：相同的訓練FLOPs，但困惑度更低、小樣本準確率更高，并且吞吐量提升超過2倍。

全面碾壓傳統的Transformer！

論文鏈接：https://arxiv.org/abs/2507.10524

其實，學界很早就發現，Transformer復雜度太高，算力需求驚人。

比如最近CMU大牛、Mamba架構作者Albert Gu就表示，Transformer模型能力的局限太大，所謂token就是胡扯。

而谷歌產品負責人Logan Kilpatrick公開指出了注意力機制的缺陷——不可能實現無限上下文，還強調必須要在核心架構層進行全面創新。

今天谷歌DeepMind的這項研究，和這些大牛的觀點不謀而合了。

對此，網友們紛紛表示實在炸裂。

有人預測，潛在空間推理可能會帶來下一個重大突破。

顯然，對于代碼、數學、邏輯這類分層分解問題的任務，MoR都是一個改變游戲規則的重磅炸彈。

甚至還有人評論道：看起來像是Hinton的膠囊網絡重生了。

谷歌DeepMind放大招

遞歸魔法讓LLM瘦身還提速

LLM發展到如今，接下來該怎樣做？靠堆參數、加層數，讓它更聰明嗎？

這項研究告訴我們：真正的高手，從來都不是靠堆料，而是靠設計的藝術。

這次他們做出的MoR全新架構，直譯出來是「遞歸混合體」，直接讓LLM推理速度噌噌翻倍！

所以，MoR究竟做了什么？

簡而言之，它做了以下兩點。

1. 不對所有token一視同仁

LLM在處理文本時，會把句子拆成一個個token，不過，像「的」「是」「在」這種詞，并不需要多高深的推理，只需要一次前向傳播就夠了。而復雜的token，則需多次經過同一層棧。

MoR的聰明之處就在于，因token而異。

MoR的秘密武器是小型路由器，會為每個token的隱藏狀態打分，僅高分token的會繼續循環，其余的則提前退出。

2. 循環復用：一個模塊搞定全部

傳統Transformer的思路就是不斷「堆層」，堆得越高，處理能力越強。但這樣的代價，就是內存和算力：模型會越來越慢，越來越貴。

而MoR則反其道而行之，專門設計了共享塊，每個token最多循環4次，只要路由器說「完成」，就提前跳出循環。

總之，如果說Transformer是一個龐大的工廠流水線，那MoR就更像一支高效的特種部隊。未來的AI，恐怕不會再比拼誰更重，而是誰更會分工調度、節省力氣。

而谷歌DeepMind，已經敏銳地把握到了這一點，給我們演示了這一趨勢的早期范本。

真自適應計算

只靠Scaling law，把語言模型做大，確實能讓它能力暴漲，但訓練、部署所需的算力和成本也跟著暴漲。

現在常見的「瘦身」招數，要么是把參數共享（省顯存），要么是按需計算（省算力）。

但目前仍缺乏一種能將兩者有機融合的架構。

「遞歸混合」(Mixture-of-Recursions, MoR)，充分發揮了遞歸Transformer的潛力（見圖1），成功融合了兩者。

圖1：遞歸混合（Mixture-of-Recursions,MoR）概覽

（左）每個遞歸步驟包含固定層堆棧和決定token是否繼續遞歸的路由器（中間灰框區域）。

（中）完整模型結構，其中共享遞歸步驟根據路由決策對每個token最多應用????次。

（右）展示token級遞歸深度的路由模式示例，顏色越深表示該token在遞歸塊中的計算越活躍。底部數字以不同顏色標注各文本token的遞歸步數：1步、2步和3步  。

在統一的架構中，MoR同時實現了三種效率優化：

通過共享權重壓縮參數量；通過動態路由減少冗余計算；通過智能緩存減少內存開銷。

遞歸混合架構

在預訓練和推理過程中，MoR為每個token動態調整遞歸步驟，依賴兩大組件：

路由機制和KV緩存策略。

路由機制：專家選擇vs.token選擇

受top-k門控機制的啟發，研究人員提出了專家選擇路由（Expert-choice routing）（見圖2a）。

在這種模式下，遞歸深度可看作「專家」，每輪遞歸時這些專家會挑選它們認為最值得處理的top-k個token。

為了讓遞歸更具一致性，團隊還引入了分層篩選機制（hierarchical filtering）：只有在第r層中被選中的token，才有資格參與第r+1層的評估。

這一設計模擬了早退出機制，讓模型在訓練初期就能自動「篩選」出需要深度處理的token，把算力集中到最困難的token上。

與前者不同，token選擇路由（token-choice routing）（見圖2b），在一開始就決定了每個token要走多少次遞歸流程。

具體來說，根據第1層的隱藏狀態，模型會計算每個專家的打分（如通過softmax或sigmoid）。

假設有????個專家，每個專家對應一次遞歸，那么模型將token分配給得分最高的專家。 token將被送入前i層遞歸，每層都按順序進行處理。

在這種方式中，token在進入網絡時就確定好遞歸深度，同時避免了每一層的重新選擇，提升了推理效率。

表2左比較了兩種方法：

expert-choice路由的優點在于，它可以實現理想的計算負載均衡。然而，它容易信息泄露。

相比之下，token-choice路由天然不會泄露信息。但這種方式負載分配不均。

表2：路由策略與鍵值緩存策略的比較。(左)兩種路由策略總結：專家選擇與令牌選擇；(右)緩存策略相對于普通Transformer的相對成本效率

圖2：混合遞歸（MoR）的架構組件。(a)專家選擇路由；(b)token自主選擇路由；(c)KV緩存策略

KV緩存策略：按遞歸層緩存vs.跨層共享

針對MoR模型，研究人員提出了兩種KV緩存策略：按遞歸層緩存和跨遞歸共享。

1.按遞歸層緩存（見圖2c上）是「選擇性緩存」：只有被路由到某一遞歸層的Token，才會在該層生成并存儲它的KV對。

注意力計算僅在當前遞歸層的緩存內進行，這種設計有助于實現局部化計算，顯著提升了內存使用效率，并減少I/O負擔。

2.跨遞歸共享（見圖2c）：只在第一個遞歸層生成并緩存KV對，然后在之后所有層中重復使用。這種機制下，每一層參與注意力計算的Query數量可能會減少。

也就是說，所有Token無論在后續層是否繼續參與計算，都可以完整地訪問歷史上下文，無需重新計算。

表2右對比了兩種緩存策略：

• 按遞歸層緩存：KV內存與I/O負擔，被壓縮為原來的一半左右。
• 跨遞歸共享：只能線性壓縮注意力計算量，而且KV的讀寫次數較高，可能會成為性能瓶頸。

表3：在等計算量與等token數條件下，MoR、遞歸Transformer、普通Transformer的比較

實驗

研究者從零開始預訓練模型，采用基于Llama的Transformer架構，參考了SmolLM開源模型的配置，在FineWeb-Edu的驗證集和六個few-shot基準測試集上進行了評估。

主要結果

在相同訓練計算預算下，MoR以更少參數優于基線模型

在相同的訓練預算（16.5e18 FLOPs）下，研究者將MoR模型與標準Transformer和遞歸Transformer進行了對比。

在四種模型規模（135M、360M、730M和1.7B參數）下，不同計算預算對應的驗證損失對如圖

如表3所示，MoR模型采用專家選擇路由和兩次遞歸（Nr=2），不僅在驗證損失上更低，在few-shot平均準確率上也優于標準基線。

這得益于MoR更高的計算效率，使其在相同FLOPs預算下能處理更多的訓練token。

在相同數據量下，MoR用更少計算量仍優于基線模型

為了隔離架構差異的影響，研究者在固定訓練token數量（20B）的前提下進行分析。

結果證實，在少了25%訓練FLOPs的情況下，MoR模型（????=2）仍然實現了更低的驗證損失和更高的準確率，超越了標準和遞歸基線。

與標準基線相比，MoR模型的訓練時間減少了19%，峰值內存使用量降低了25%。

這就要歸功于專門設計的分層過濾機制和按遞歸進行的注意力機制。

此外，MoR的性能也會受路由與緩存策略的影響。

IsoFLOP分析

評估一種新模型架構設計的核心標準之一，是其在模型規模和計算量增長時，性能是否能持續提升。

因此，研究團隊全面對比了MoR與標準Transformer（Vanilla）和遞歸Transformer。

實驗設置

實驗的模型規模有四種：135M、360M、730M 和1.7B 參數。

對于遞歸Transformer和MoR配置，遞歸次數統一設為3。

在三個不同的計算預算下，進行預訓練：2e18、5e18和16.5e18 FLOPs。

MoR架構：可擴展且參數高效

如圖3所示，在所有參數規模和算預算力下，MoR始終優于遞歸基線模型。

盡管在最小規模（135M）時，MoR表現略遜于標準Transformer，但隨著模型規模擴大，這一差距迅速縮小。

當參數規模超過360M時，MoR不僅能夠與標準Transformer持平，甚至在低計算量和中等計算預算下，表現更加優越。

總體而言，這些結果表明，MoR具備良好可擴展性和高參數效率，可替代舊架構。

推理吞吐量評估

通過參數共享，MoR能利用連續深度批處理技術，在推理階段顯著提升了吞吐量。

這種機制在解碼過程中，舊序列完成后立刻填入新tokens，持續保持了GPU的高利用率。

實驗設置

在360M參數規模下，在不同遞歸深度（2、3和4）下，團隊測試了MoR模型。

利用深度批處理，MoR顯著提升推理吞吐量

如圖4a所示，在兩種設置下，MoR變體的推理吞吐量都超過了普通Transformer。

遞歸深度越高，越多tokens會提早退出，從而減少KV緩存的使用，進一步大幅提升了推理速度。例如，在最大批設置（??=Max）下，MoR-4速度可提升2.06倍。

實驗表明，結合深度批處理機制與提前退出策略，可大幅加速MoR模型在實際的推理速度。

消融實驗等更多內容和細節，請參閱原文。