9月发布即火。外媒The Information率先曝出，OpenAI新发布的GPT-6 Astra使用了循环深度技术：让同一组Transformer层反复运行，在不按比例增加参数的情况下把计算做得更深。消息一出，循环Transformer一夜成为行业讨论的焦点。
争议随之而来。由于循环发生在隐藏状态里，中间过程未必形成人类可读的思维链，AI安全专家担忧模型更难被监测，OpenAI首席科学家Jakub Pachocki不得不下场回应，并表示会写文章完整解释。热闹背后，学术界其实更关心另一个问题：多循环几轮，模型真的会更强吗？
这一路线可以追溯到2018年的Universal Transformer，近年又演进出Looped Transformer、循环深度、潜在推理等方向。但学界早已踩过坑：同等算力下，省了参数的循环模型常打不过普通Transformer。卡住它的，正是循环内部信息如何管理、计算如何分配两个现实问题。
有意思的是，阿里与合作高校在11个月前就已针对这些问题发表论文。MeSH用内存缓冲区配合读写路由器，解决循环的“空转”与信息过载，实验显示权重共享能减少约33%的非嵌入参数，零样本下游平均准确率提升约1个百分点，而新增的开销几乎可以忽略。
另一篇SpiralFormer则死磕计算粒度：让每次循环处理的序列长度从小到大逐级扩展，把算力花在刀刃上，在参数量基本不变的情况下，把计算量从约14.08T降到13.13T FLOPs，5-shot下游平均准确率从51.93%提高到54.37%。两篇论文分别被ICLR与EMNLP接收。
两篇论文的共同点，是承认循环结构“省参数但不省计算”，并试图把每一轮计算的价值做实。文章也提醒，循环省的是参数、不是计算，能否真正做到“用更少的参数撑起更强的模型”，取决于更大规模的验证。对产业界而言，这更像一场针对下一代高效架构的提前布局。
若这类架构真正成立，单位算力产出的智能会重新定价，训练与推理的成本结构都会改变。算力平台需要做的，是保持对异构新架构的适配与调度能力，让不同技术路线的模型都能在最经济的算力上运行，这正是星战科技在GPU算力平台与算力调度编排上持续投入的方向。