待验证50% 置信事实精确时间

循环语言模型（LoopLMs）通过在多个递归计算步骤之间复用同一套共享参数，能够在不显著增加参数量的前提下加深推理能力

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

LoopOPD：让循环语言模型自我蒸馏，实现递归自我提升

涉及实体

Looped Language Modelsconcept

相关事实

待验证循环次数可以在推理阶段动态调整，使同一模型根据任务难度按需分配计算量78% 相似待验证该模型使用堆叠的多核卷积将句子级嵌入组合成句间表示，用双向LSTM建模跨度较长的依赖关系77% 相似待验证模型合并直接在参数空间中操作，把多个模型的权重按某种方式组合起来；无需训练数据或梯度回传，仅凭权重的代数运算就能产出新模型76% 相似已验证扩散语言模型可以同时对整个序列的所有token进行并行预测与迭代优化，而非逐个输出75% 相似待验证让模型输出准确方案有两条路径：一次性写详细需求，或用追问方式让模型替用户思考并堆积上下文75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/990583

API

curl https://kongchang.com/api/v1/knowledge/claims/990583

MCP

get_claim(id=990583)