先说机制。普通Transformer是"叠层"——堆N个参数各不相同的层，模型越深参数越多；循环Transformer是"打转"——用一小组共享参数反复过N遍，把"花多少算力"和"有多少参数"这两件事拆开来算。这个思路能追溯到Universal Transformer（Dehghani et al., 2019）和ALBERT的跨层权重共享，但真正把它讲透的是2023年一篇奠基性论文《Looped Transformers as Programmable Computers》（Giannou et al., ICML 2023）——作者手工构造出一组权重，让一个反复循环的13层Transformer模拟出一台真正的计算机（内存读写、条件分支、函数调用），证明这套机制图灵完备；关键是程序有多复杂，只体现在"循环了多少次"，模型本身的参数量完全不用跟着涨。

这两年最重要的一步进展是《Mixture-of-Recursions》（KAIST/Mila/Google DeepMind联合团队，NeurIPS 2025MUST）——它给每个token单独分配循环深度：简单的词提前退出，难的词多转几圈，是后续几乎所有2026年新论文的地基。站在这个地基上，今年密集冒出一批更细的改进：LoopFormer（ICLR 2026）借鉴扩散模型里的"shortcut一致性"训练方法，把循环次数变成一个推理时能调的"预算旋钮"——想省钱就少转几圈，想要质量就多转几圈，同一个模型两头兼顾；《Fully Looped Transformer》（香港浸会大学/吉林大学团队）指出循环次数一多，训练会因为"梯度震荡"和"残差爆炸"两个原因直接崩掉，他们给出的修复方案能让下游任务表现最高提升13.2%；LoopCoder-v2用一个70亿参数的代码模型做了个挺有意思的反向验证——从不循环加到循环2次，SWE-bench Verified从43.0分直接跳到64.4分，收益最大，但循环3次以上开始倒退，说明"转得越多越好"这个直觉本身是错的。更夸张的例子是Loom——完全不训练，纯手工解析构造出一个470万参数、8层、22条指令集的循环Transformer"计算机"，能编译执行真实C程序（斐波那契数列、最大公约数、嵌套条件判断都测过），50个测试程序全部跑通；作者甚至把它做成了能在浏览器里直接玩的贪吃蛇和DOOM——每走一步游戏画面，背后都是这台"计算机"完整地把8层Transformer跑一遍。

这套架构已经不只是论文里的玩具了。字节跳动Seed团队的Ouro模型，用1.4B/2.6B的参数量打平了传统4B/8B级别模型的表现；南北阁实验室（隶属上市公司BOSS直聘/看准科技，不是创业公司）的Nanbeige4.2-3B也走了同一条路——28万亿token从头训练，把同一套22层堆栈循环两遍（等效44层但不用多存参数），实测两遍循环性价比最高，能保住约75%的token效率，再多循环收益就很小了；IQuestLab——量化基金九坤投资旗下的AI研究部门，和DeepSeek脱胎于幻方量化是同一种模式——发布的IQuest-Coder-V1-40B-Loop同样用了循环架构。这几家是目前能查到名字、查到论文的真实落地案例。网上另有文章把"循环Transformer"包装成"中国2026年的数学经济学突破"，读下来通篇都是"参数在循环里盘旋、七次后收敛于一个不动点"这类比喻，找不到一个具体实验室、一篇论文或一组数据——这类内容更适合当背景噪音，不适合当信源。

而这套省参数的技巧，很快也在回答一个更敏感的问题：AI到底在"哪里"想问题——是写成看得懂的思维链文字，还是转在读不出来的隐藏状态里。先看Astra这条线，证据链是"The Information匿名信源报道+安全圈的公开反应+OpenAI一句没有完全否认的回应"。9月1日The Information援引匿名信源报道，OpenAI的Astra会用一种叫"循环深度"（recurrent depth）的推理技术——同一段查询会在模型里被反复处理好几遍，批评者把这种做法称为"不透明循环"（opaque recurrence），因为它比常规思维链留下的可读痕迹更少（TechCrunchMUST，09-02）。反应很快也很直接：Redwood Research CEO Buck Shlegeris说"我对Astra使用不透明循环的报道感到极度担忧……如果OpenAI把这项技术进一步推进，他们将有能力大幅增加循环强度，彻底摧毁思维链的可监控性"；长期关注AI安全的评论者Zvi Mowshowitz写道"这项技术是在玩火，冒犯的是OpenAI和Anthropic一直努力维护的一条禁忌——尽可能长久地保持思维链的忠实与可监控"；Redwood首席科学家Ryan Greenblatt则说"我最担心的是，接下来自然的演进方向会是把不透明推理规模继续做大，做到模型几乎完全在潜空间里思考……希望现在停下还不算太晚"。OpenAI这边的回应留了余地：报道明确说Astra对这项技术的使用"看起来是有限的"，思维链预计仍然可读，公司也反驳了"会转向神经语（neuralese）"这种说法；首席科学家Jakub Pachocki在X上写道"从我们第一代推理模型开始，OpenAI就一直在努力保留和利用思维链监控……这是我们当前研究计划的核心目标之一"——这句话更像是重申立场，而不是正面回应"Astra是不是真用了循环深度"这个具体问题。独立研究者Sebastian Raschka隔天写了篇更冷静的技术拆解，观点相当扎心——他指出"重复用同一层"这件事本身并不会自动压制可见的思维链，"只是在生成下一个token之前，往隐藏状态里多加了一些计算，普通Transformer的层本来就是这么干的"；他给出的更谨慎解读是，如果一个模型循环的遍数变多，它可能确实会需要生成更少的中间推理token，于是更多计算发生在读不出来的隐藏激活里——但这个效果和直接把模型做大（比如从GPT-5.6 Luna升级到Sol）本质上是一回事，未必是"循环"这个机制专属的问题。换句话说，这场恐慌的一部分，可能建立在对循环Transformer机制本身的误解之上。更值得注意的是，The Information的后续报道称，Anthropic和Google DeepMind也已经在讨论这项技术——如果属实，这就不是OpenAI一家的选择，而是整个行业在同一个方向上试探。

这场争论真正的分量，来自一份更早的文件。2025年7月，由Tomek Korbak领衔、OpenAI、Google DeepMind、Anthropic、英国AI安全研究院、METR、Apollo Research、Redwood Research等机构共41名研究者联署了一份立场声明，标题就叫《思维链的可监控性：一个新的、脆弱的AI安全机会》，提前预警了一件事——如果模型把更多"推理"放进连续的隐藏状态里循环着算，而不是生成人能读懂的思维链文字，安全研究者观察模型"打算干什么"这件事就会失效。今天的推理模型好歹还会把中间过程写成看得懂的文字（哪怕不完美），循环Transformer结构上恰恰是反过来的——算得更省、可能更强，但过程完全不可见。Astra风波吵的表面是"OpenAI是不是在用某种架构"，但真正的赌注是这份预警里说的东西，是不是正在从"理论担忧"变成"正在发生的事"。

再看Mythos这条线，证据链完全不一样。Claude Mythos本身是真产品——2026年4月7日Anthropic官方确认了一个受限预览版（"Project Glasswing"项目，只对网络安全/生物安全领域的合作方开放），目前已经迭代到Mythos 5.1（2026-09-01发布）。但直接查Anthropic自己的Frontier Red Team博客文章和产品页全文，找不到任何一句关于架构的披露——只有可用性、定价、安全防护和跑分。"循环Transformer"这个说法的源头，是X上一批人对着Mythos的跑分模式（比如GraphWalks BFS测试里的分数落差）做的非正式猜测，后来被开发者Kye Gomez写成了一个PyTorch复现项目"OpenMythos"（GitHub已经14.9k星），但这个项目自己在README里写得明明白白："这是一个独立的、社区驱动的理论重建，完全基于公开可得的研究和猜测，与Anthropic或其任何专有系统没有关联、未获认可、也无从属关系。"另外值得纠正一个常被搞反的时间线：经常和这个传闻一起被提起的东京大学论文（Xu & Sato，《该用思维链还是该循环？》，已被ICML 2026录用）其实2025年5月就挂上了arXiv——比Mythos泄露（2026年3月26日）早了大概10个月。不是"这篇论文因为Mythos传闻才写出来"，是后来编织这套理论的人反过来引用了这篇早就存在的论文，因果关系是反的。