CMU与牛津：循环流让小模型靠隐状态迭代推理

卡内基梅隆大学与牛津大学论文提出"循环流"（looped flows）方法，让模型通过反复改进隐状态而非生成更长的思维链来"思考更久"，额外迭代步数可显著提升准确率，小模型也能借此获得更强推理能力，意味着测试时计算不必等同于生成更多 token。该方法通过让每次更新学习一个小型去噪任务、同时保证隐状态对下一次更新仍有用，解决了循环模型长循环训练不稳定的问题。