---
title: "💡1、Recurrent Depth：复用同一组 Transformer 层做多次循环迭代。中间思考全部发生在神经网络隐藏向量（隐空间），不会输出成可读的文字"
topic_id: 55521145881521114
created_at: 2026-09-04T09:47:16.097+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# 💡1、Recurrent Depth：复用同一组 Transformer 层做多次循环迭代。中间思考全部发生在神经网络隐藏向量（隐空间），不会输出成可读的文字

- 序号：287
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/55521145881521114)
- 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

💡1、Recurrent Depth：复用同一组 Transformer 层做多次循环迭代。中间思考全部发生在神经网络隐藏向量（隐空间），不会输出成可读的文字 token。传统 CoT 思维链，思考步骤全部写成文字 token 吐出来；Recurrent Depth 则是思考在内部循环完成，不需要输出中间思考 token。
⚙️2、用计算换存储，模型权重只有一套，KV 缓存增长放缓，内存压力降低；同一组层反复跑很多次，每一步 token 的计算量显著变大，堆 HBM 容量的逻辑减弱。
🧠3、简单问题循环次数少；复杂几何、3D、科学任务，自动跑更多循环迭代，动态分配推理算力，这也是 GPT6 的 ARC‑AGI 分数暴涨的重要原因。
🔗4、大规模循环深度集群，节点之间高频交换隐状态向量，对低延迟高速互联、NVL 多卡直连、高速以太网交换机需求抬升。同时 GPU 算力卡依然受益。

## 总体总结

主题正文
1. 💡1、Recurrent Depth：复用同一组 Transformer 层做多次循环迭代。
2. 中间思考全部发生在神经网络隐藏向量（隐空间），不会输出成可读的文字 token。
3. 传统 CoT 思维链，思考步骤全部写成文字 token 吐出来；
4. Recurrent Depth 则是思考在内部循环完成，不需要输出中间思考 token。
5. ⚙️2、用计算换存储，模型权重只有一套，KV 缓存增长放缓，内存压力降低；
6. 同一组层反复跑很多次，每一步 token 的计算量显著变大，堆 HBM 容量的逻辑减弱。
7. 复杂几何、3D、科学任务，自动跑更多循环迭代，动态分配推理算力，这也是 GPT6 的 ARC‑AGI 分数暴涨的重要原因。
8. 🔗4、大规模循环深度集群，节点之间高频交换隐状态向量，对低延迟高速互联、NVL 多卡直连、高速以太网交换机需求抬升。