Anthropic Mythos模型传采用Looped Transformer架构
Anthropic前沿模型Mythos被传采用Looped Transformer(循环Transformer)架构,通过重复复用同一层权重实现更深推理与自适应计算深度。
该架构允许模型在单次前向传播中多次循环同一Transformer块,根据任务复杂度动态分配计算资源,相比传统堆叠多层设计更高效地处理复杂推理与多步任务,目前相关讨论主要来自开源重构项目OpenMythos。
AI架构创新资本加速向循环与自适应计算路径倾斜,追求高效推理的实验室与开发者受益于Looped Transformer潜力,而传统深度堆叠方案承压,资金流向支持动态计算深度与参数复用的前沿架构平台,强化Anthropic在网络安全与代理式AI的定价权。
来源:公开信息
ABAB AI 解读
Anthropic此前以Claude系列迭代著称,此次Mythos架构传闻延续其在推理能力与安全对齐上的专注路径,类似早期宪政AI框架,通过Looped设计实现“思考更久”而非单纯扩大参数,曾在网络安全任务中展现显著跃升,但也面临训练稳定性与实际部署能耗挑战。
资本路径上,Anthropic将研发资源投入循环架构优化与Mixture-of-Experts结合,动机在于提升模型在复杂任务上的效率与可控性,通过自适应循环锁定高价值企业与安全应用场景,资源向动态计算深度与漏洞利用能力集中以构建差异化壁垒。
类似OpenAI等在Transformer变体上的探索,目前前沿LLM架构行业处于从固定深度堆叠向循环与递归深度转型阶段,Mythos Looped设计正成为社区热议焦点。
本质属于技术替代,Looped Transformer将模型推理从固定层堆叠转向动态循环复用,导致定价权向掌握自适应计算与高效参数利用的实验室转移,通过在相同参数下实现更深思考重塑AI能力曲线,迫使行业在计算效率与安全风险间寻求新平衡。
ABAB News · 认知定律
参数堆叠赚规模,循环复用赚深度。
固定层锁效率,动态循环赚适应。
传统架构筑壁垒,自适应思考开新门。