---
title: "Astra引入Loop Transformer，新一轮Latent Scaling开启【天风计算机缪欣君/刘鉴团队】 1）能力从Coding向严肃知识工作全面扩"
topic_id: 14425511224454882
created_at: 2026-09-04T12:59:43.183+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# Astra引入Loop Transformer，新一轮Latent Scaling开启【天风计算机缪欣君/刘鉴团队】 1）能力从Coding向严肃知识工作全面扩

- 序号：222
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/14425511224454882)
- 附件：图片 0，音频 0，文档 0
- 音频文件：_无音频_

## 图片

_无图片_

## 正文

Astra引入Loop Transformer，新一轮Latent Scaling开启【天风计算机缪欣君/刘鉴团队】

1）能力从Coding向严肃知识工作全面扩散。GPT-6 Astra在计算机操作、浏览器、软件工程、科学研究及专业工作等领域均实现领先，并能跨代码、浏览器和专业软件完成复杂多步骤工作流。相较此前主要由Coding拉动的能力跃迁，Astra在研究、办公和计算机操作等维度进步更加均衡，旗舰模型正加速从Coding Agent走向通用生产力Agent。

2） Loop Transformer打开新一轮Latent Scaling。Astra或通过同一套Transformer权重进行重复计算：例如22层循环两次仍只计22层独立参数，却形成44层有效计算深度，使更多推理在隐藏状态中完成，并以更短的外显CoT完成更复杂任务。由此， 模型Scaling在参数量之外新增“循环深度”这一维度，同等参数量下， 模型有效深度和每Token推理计算量可随循环次数近线性增长。

3）以更多算力换取更高的单位参数能力，进一步强化推理计算需求。 Loop Transformer本质上是用Tensor Core算力、HBM带宽和推理延迟，换取更低的权重存储容量与更强的单位参数能力：固定循环两次时，参数量及权重显存基本不变，但单Token计算量、权重读取及模型并行通信均接近翻倍，非共享KV Cache也可能同步增加。其最明确的产业影响是计算量持续提升， 模型Scaling正由参数驱动转向“参数量+每Token计算深度”共同驱动。

## 总体总结

主题正文
1. Astra引入Loop Transformer，新一轮Latent Scaling开启【天风计算机缪欣君/刘鉴团队】
2. GPT-6 Astra在计算机操作、浏览器、软件工程、科学研究及专业工作等领域均实现领先，并能跨代码、浏览器和专业软件完成复杂多步骤工作流。
3. 相较此前主要由Coding拉动的能力跃迁，Astra在研究、办公和计算机操作等维度进步更加均衡，旗舰模型正加速从Coding Agent走向通用生产力Agent。
4. 2） Loop Transformer打开新一轮Latent Scaling。
5. Astra或通过同一套Transformer权重进行重复计算：例如22层循环两次仍只计22层独立参数，却形成44层有效计算深度，使更多推理在隐藏状态中完成，并以更短的外显CoT完成更复杂任务。
6. 由此， 模型Scaling在参数量之外新增“循环深度”这一维度，同等参数量下， 模型有效深度和每Token推理计算量可随循环次数近线性增长。
7. Loop Transformer本质上是用Tensor Core算力、HBM带宽和推理延迟，换取更低的权重存储容量与更强的单位参数能力：固定循环两次时，参数量及权重显存基本不变，但单Token计算量、权重读取及模型并行通信均接近翻倍，非共享KV Cache也可能同步增加。
8. 其最明确的产业影响是计算量持续提升， 模型Scaling正由参数驱动转向“参数量+每Token计算深度”共同驱动。