在Transformer架构几乎成为大模型代名词的今天，谷歌DeepMind联手KAIST AI和Mila团队，悄悄放出了一个名为Mixture-of-Recursions（MoR）的新架构。先别急着联想到MoE，这可不是专家混合——它是递归混合。效果如何？推理速度直接翻倍，KV缓存内存砍掉一半，而且所有这些提升都在一个统一的框架内完成：同一组参数，既能灵活处理不同任务，又能动态调配计算资源。
说得直白点，这就像给大语言模型装了个双层增效器——性能和效率两手都抓，两手都硬。
不少网友已经在惊呼“Transformer Killer”来了。更有观点认为，MoR或许意味着“潜在空间推理”将成为LLM的下一个突破口。
那么这个MoR到底创新在哪里？我们逐一拆解。
MoR：首次将参数共享与自适应计算统一到一个框架
Transformer虽然带来了惊艳的少样本泛化和推理能力，但训练和部署时那庞大的计算和内存开销，一直是绕不开的难题。业界现有的优化手段，要么走参数共享路线，要么走自适应计算路线，但两者像鱼和熊掌，往往只能选一个。
MoR的出现打破了这种二选一的局面——它在一个递归Transformer里同时融合了这两种效率维度。
具体来说，MoR首先采用了递归Transformer的设计思路。传统Transformer的每一层都是独立参数，而MoR将模型划分为递归块，复用一组共享参数池。它提供了三种参数共享策略：
- Cycle：循环复用层参数。
- Sequence：连续复用同一层参数。
- Middle变体：保留首尾层为独有参数，只共享中间层。
参数共享的好处很明显：减少独特参数数量，提升分布式训练效率，还能通过连续深度批处理消除计算中的“气泡”，显著提高推理吞吐量。
接下来是动态路由机制。MoR通过一个轻量级路由器，为每个token分配不同的递归深度，把计算资源集中投放在复杂token上。路由策略分两种：
- Expert-choice路由：把每个递归步骤看作一个“专家”，基于隐藏状态计算分数，用阈值筛选出需要继续计算的token，层级过滤，复杂度越高的token优先获得更多计算。
- Token-choice路由：初始阶段就为每个token分配好固定递归深度，通过softmax/sigmoid确定专家，token按分配深度依次完成递归。
除了参数和路由，MoR还配套了一套KV缓存策略来管理键值的存储与使用，保证内存效率不掉队：
- Recursion-wise缓存：只缓存当前递归步骤中活跃token的KV对，把注意力计算限制在本地缓存里，降低内存和IO需求。
- Recursive KV共享：复用首次递归产生的KV对供后续步骤使用，确保所有token都能访问历史上下文，减少预填充操作。有趣的是，这种共享方式反赌意力的计算量下降幅度很小。
三种策略组合在一起的效果是：MoR在每个token的解码过程中直接进行“潜在思考”，路由机制让模型能自适应推理，突破了以往固定思考深度的限制。参数效率与自适应计算，终于不再是一道单选题。
性能全面超越Transformer
研究团队在135M到1.7B不同参数规模的模型上，对原始Transformer、递归基线模型和MoR进行了对比实验。
实验结果很说明问题：在相同的16.5e18 FLOPs训练预算下，MoR使用了将近50%更少的参数，却取得了更低的验证损失和更高的平均少样本准确率——43.1%。而普通Transformer模型的少样本准确率是42.3%。这意味着MoR的计算效率更高，同样的FLOPs预算可以处理更多的训练token。
如果固定训练20B token，MoR的训练FLOPs减少了25%，训练时间缩短了19%，峰值内存也降低了25%。
进一步分析路由策略发现，Expert-choice路由的性能在一定程度上优于Token-choice路由——路由的粒度确实会对最终性能产生重要影响。
研究团队还做了IsoFLOP分析，结果显示，在135M、360M、730M和1.7B四个参数规模，以及2e18、5e18、16.5e18三种FLOPs预算下，MoR始终优于递归基线模型。
不过值得一提的是，在135M这种极小规模下，MoR因为递归容量瓶颈，表现略逊于普通Transformer。但随着规模扩大到360M及以上，MoR的性能逐步接近甚至超越普通模型，而且参数仅为后者的三分之一——这个可扩展性数据相当扎实。
在推理吞吐量评估中，360M规模的MoR模型，无论是固定批大小还是最大批大小设置，都优于普通Transformer。
原理也不难理解：递归深度增加后，更多token会提前退出计算，KV缓存占用减少，吞吐量自然就上去了。深度批处理与早期退出的结合，对部署效率的提升非常显著。
谷歌对底层架构的再思考
这已经不是谷歌第一次对底层架构动手术了。其实，谷歌一直在用架构创新来重构计算范式，试图找到AI效率与性能的新平衡点。
最典型的例子就是混合专家模型（MoE）。2017年，谷歌首次把MoE引入LSTM层，通过稀疏门控机制只激活部分专家网络来处理输入，让一个137B参数的模型依然能保持高效训练。
后来的GShard把MoE和Transformer结合起来，实现了动态负载均衡。2021年的Switch Transformer进一步简化了路由机制。而Gemini 1.5 Pro采用的就是分层MoE架构，把专家网络与多模态处理深度绑定，能处理更复杂的多模态任务，训练和服务效率也提升了一大截。
MoE的底层逻辑突破了传统全连接模型的计算瓶颈，如今已成为超大规模模型的首选范式之一。此外还有像TokenTransformer这样的可扩展架构，把模型参数当作可学习的token，通过增量训练无缝扩展模型规模，为未来千亿级模型的低成本迭代铺了路。
所以当MoR出现在眼前时，不少人的反应是：它会不会彻底改变AI世界的规则？能不能真正超越Transformer？
答案或许还要留给时间去验证。但可以肯定的是——谷歌在架构创新的路上，从来没停过。
