循环式语言模型通过在深度方向上重复使用一组Transformer层,从而降低了内存开销,并在每次循环的边界处自然地提供了早期退出(early-exit)点。然而,与采用独立层的标准Transformer相比,循环式模型在扩展性方面表现欠佳。我们对比了标准Transformer与混合专家(Mixture-of-Experts, MoE)Transformer,分别考察其带循环与不带循环两种架构,得出两项主要发现。
第一,我们发现循环式MoE模型(Looped-MoE)的扩展性优于标准基线模型,而循环式稠密模型(dense looped model)则无法做到这一点。这一差异源于循环之间的路由发散(routing divergence):在循环式MoE模型中,同一组共享层在每次循环遍历时会激活不同的专家,从而在不增加参数量的前提下恢复了模型的表达能力。
第二,我们发现循环式模型配合早期退出机制,在计算开销与生成质量之间的权衡上优于标准模型。这是因为每一次循环结束时所经过的层,恰好就是最终输出所依赖的相同层,因此循环边界天然成为更优的退出点;实证结果也证实,在这些边界点上,模型输出更早趋于收敛。
综上所述,本研究为循环式模型的规模化发展指明了一条清晰路径:采用“循环式MoE + 早期退出”的架构,不仅能在大规模场景下超越标准Transformer,还能在几乎不损失生成质量的前提下,显著节省内存占用与推理计算开销。

