Anthropic Mythos模型傳採用Looped Transformer架構
Anthropic前沿模型Mythos被傳採用Looped Transformer（循環Transformer）架構，通過重複複用同一層權重實現更深推理與自適應計算深度。
該架構允許模型在單次前向傳播中多次循環同一Transformer塊，根據任務複雜度動態分配計算資源，相比傳統堆疊多層設計更高效地處理複雜推理與多步任務，目前相關討論主要來自開源重構項目OpenMythos。
AI架構創新資本加速向循環與自適應計算路徑傾斜，追求高效推理的實驗室與開發者受益於Looped Transformer潛力，而傳統深度堆疊方案承壓，資金流向支持動態計算深度與參數複用的前沿架構平臺，強化Anthropic在網絡安全與代理式AI的定價權。
來源：公開信息
ABAB AI 解讀
Anthropic此前以Claude系列迭代著稱，此次Mythos架構傳聞延續其在推理能力與安全對齊上的專注路徑，類似早期憲政AI框架，通過Looped設計實現“思考更久”而非單純擴大參數，曾在網絡安全任務中展現顯著躍升，但也面臨訓練穩定性與實際部署能耗挑戰。
資本路徑上，Anthropic將研發資源投入循環架構優化與Mixture-of-Experts結合，動機在於提升模型在複雜任務上的效率與可控性，通過自適應循環鎖定高價值企業與安全應用場景，資源向動態計算深度與漏洞利用能力集中以構建差異化壁壘。
類似OpenAI等在Transformer變體上的探索，目前前沿LLM架構行業處於從固定深度堆疊向循環與遞歸深度轉型階段，Mythos Looped設計正成爲社區熱議焦點。
本質屬於技術替代，Looped Transformer將模型推理從固定層堆疊轉向動態循環複用，導致定價權向掌握自適應計算與高效參數利用的實驗室轉移，通過在相同參數下實現更深思考重塑AI能力曲線，迫使行業在計算效率與安全風險間尋求新平衡。
ABAB News · 認知定律
參數堆疊賺規模，循環複用賺深度。
固定層鎖效率，動態循環賺適應。
傳統架構築壁壘，自適應思考開新門。