推理、记忆与推理时控制
突破级
暂无讲解视频
收录解读
这篇论文关注 looped language models 中计算和记忆的解耦。Looped transformer 的吸引力在于重复使用计算结构来扩展推理深度，但内存管理会成为瓶颈。
Memory-Efficient Looped Transformer 的价值是把这一瓶颈作为架构问题处理。对 inference-time scaling 和 recurrent/iterative transformer 路线来说，compute-memory decoupling 是关键系统原语。
它值得正式收录，因为本库持续跟踪 long-context、memory/state management 和 inference control；这篇提供了更高效 looped 推理结构的候选接口。
它没有更高，是因为 looped LM 仍是活跃探索路线，实际优于普通 transformer scaling 的边界还需要更清晰。