鷺羽 發自 凹非寺
量子位 | 公眾號 QbitAI

超越Transformer，谷歌推出全新底層架構——

Mixture-of-Recursions（MoR），注意不是MoE，它能推理速度提高2倍，而KV內存直接減半！

而且All in One，首次在單一框架中實現，用同一組參數處理不同任務的同時，進行動態分配計算資源。

就像給LLM開了個雙層增強buff，模型性能和效率全都要。

谷歌DeepMind聯合KAIST AI、Mila人團隊通過統一參數共享、自適應遞歸深度和高效KV緩存，在保持大模型性能的同時降低計算和內存成本，形成新的效率最優解。

不少網友甚至將它形容為Transformer Killer。

更有甚者表示，該架構的出現或許能代表，潛在空間推理也許將會成為下一個LLM突破所在。

具體MoR創新在哪些方面？下面一一詳解。

MoR：首次統一參數共享與自適應計算

Transformer的出現雖然帶來了優秀的少樣本泛化和推理能力，但隨之而來龐大的計算和內存需求還是讓訓練和部署成為難題。

目前相關優化方法主要是參數共享和自適應計算，但往往只能二選一，無法同時兼顧。

于是研究人員提出了遞歸混合模型MoR，可以在單一遞歸Transformer中同時融合兩個效率維度。

首先采用的遞歸Transformer，相比通過多個獨特層構建token的標準Transformer，其直接將模型劃分為遞歸塊，復用一組共享參數池。

主要包含三種參數共享策略：

1. Cycle：循環復用層。
2. Sequence：連續復用同一層。
3. Middle變體：保留首尾層獨特參數，僅共享中間層。

利用參數共享，可以減少獨特參數數量，提升分布式訓練效率，并通過連續深度批處理消除計算 “氣泡”，提高推理吞吐量。

然后MoR采用動態路由機制，通過輕量級路由器為每個token分配不同遞歸深度，并集中計算在復雜token上，可以分為兩種：

• Expert-choice路由：將每個遞歸步驟視作 “專家”，基于隱藏狀態計算分數，通過閾值選擇合適的token繼續計算，采用層級過濾，優先為復雜token分配計算。
• Token-choice路由：初始階段為每個token分配固定遞歸深度，通過softmax/sigmoid確定專家，然后token按分配深度依次完成遞歸。

另外，MoR本身還借助KV緩存策略，管理鍵值的存儲與使用，同時確保內存效率的提升：

• Recursion-wise緩存：僅緩存當前遞歸步驟中活躍token的KV對，將注意力計算限制在本地緩存，降低內存和IO需求。
• Recursive KV共享：復用首次遞歸的KV對供后續步驟使用，確保所有token可訪問歷史上下文，減少預填充操作，而此時注意力計算量下降幅度較小。

在三種策略共同作用下，MoR通過在解碼每個token時直接進行潛在思考，路由機制讓模型能進行自適應推理，突破了先前固定思考深度的限制，實現了參數效率與自適應計算的統一。

性能超越Transformer

研究人員在135M到1.7B不同參數規模的模型上，就原始Transformer、遞歸基線模型和MoR進行對比實驗。

實驗表明，在相同的16.5e18 FLOPs的訓練預算下，MoR使用了將近50%的更少參數，但實現了更低的驗證損失和更高的平均少樣本準確率43.1%。

而vanilla模型的少樣本準確率此時是42.3%，說明MoR擁有更高的計算效率，可以在相同FLOPs預算下處理更多訓練token。

在訓練固定的20B token時，MoR也減少了25%的訓練FLOPs，訓練時間還縮短了19%，峰值內存減少25%。

另外，通過分析路由策略，發現Expert-choice路由的性能會在一定程度上優于Token-choice路由，說明路由粒度會對性能產生重要影響。

研究人員還對MoR進行了IsoFLOP分析，發現在135M、360M、730M和1.7B參數規模，以及2e18、5e18、16.5e18的FLOPs預算下，MoR始終優于遞歸基線模型。

雖然受遞歸容量瓶頸限制，在135M時略遜于vanilla模型，但在360M及規模的進一步擴大，MoR性能接近甚至超過Vanilla模型，且參數僅為后者的1/3，驗證了MoR的可擴展性。

在推理吞吐量評估上，360M規模的MoR模型在固定批大小和最大批大小設置下，均優于vanilla。

遞歸深度的增加讓更多token提前退出，KV緩存占用減少，吞吐量顯著提升，驗證了深度批處理與早期退出結合對部署效率的提升。

谷歌對底層架構的再思考

這已經不是谷歌第一次對底層架構進行重新思考，甚至可以說，谷歌始終希望利用架構創新重構計算范式，重新尋找AI新的平衡。

例如混合專家模型（MoE）正是這一理念的集中體現。

最早是在2017年，谷歌首次將MoE引入LSTM層，通過稀疏門控機制，僅激活部分專家網絡從事輸入處理，但仍能讓參數量高達137B的模型保持高效訓練。

后面推出的GShard將MoE與Transformer結合，可實現動態負載均衡，2021年的Switch Transformer又進一步地簡化了路由機制。

而Gemini 1.5 Pro就是采用的分層MoE架構，將專家網絡與多模態處理深度結合，可以處理更為復雜的多模態任務，訓練和服務效率也得到顯著提升。

MoE的底層邏輯設計突破了傳統全連接模型的計算缺陷，現在已經成為了許多超大規模模型的優先選擇，為應對算力瓶頸提供了新范式。

另外還有像TokenFormer等可擴展架構，將模型參數視為可學習的token，通過增量訓練無縫擴展模型規模，為未來千億級模型的低成本迭代提供了可能。

所以有網友認為，關于谷歌如今推出的MoR，會在未來徹底改變AI世界規則，會超越Transformer嗎？一切交給時間驗證。

參考鏈接：
[1]https://x.com/deedydas/status/1945313404958466519
[2]https://www.alphaxiv.org/abs/2507.10524
[3]https://x.com/reza_byt/status/1945498424536862841
[4]https://arxiv.org/abs/1701.06538