在大模型技术进入深水区后的今天，架构创新的重要性正逐渐超越单纯的参数规模扩张。当业界普遍关注 Scaling Law 的边际效应时，一种关于“循环计算”与“潜空间思考”的技术路线正在引发隐秘而深刻的讨论。
近期，关于某头部 AI 实验室最新模型的架构猜测，意外将一家中国科技公司的基础研究推向了视野中心。这不仅是对单一模型性能的探讨，更是对下一代语言模型形态的一次前瞻性推演。
概念来自字节 Seed 团队与多个高校合作的一篇论文，Yoshua Bengio 也参与其中
技术观察 发自 深度实验室
前沿科技 | 专注 AI 架构演进
Claude 最强“神话”模型，可能用到来自字节的技术？
这条猜测直接冲上热搜榜。
这款“强到不敢公开发布”的 Mythos 模型，确实刺激了人们对下一代 LLM 架构的想象。
社区正在热烈讨论它是否采用了循环语言模型（Looped Language Model）架构。
这个概念来自字节 Seed 团队与多个高校合作的一篇论文，Yoshua Bengio也参与其中。
关键线索在于 Anthropic 公布的一组测试数据。
字节论文指出，图搜索是循环算法相比标准 RLVR 具有巨大理论优势的领域之一。
再看 Mythos，正是在广度搜索优先的图搜索测试 GraphWalks BFS中，超越对手 GPT5.4 最多。
80% 对 21.4%，接近 4 倍的差距。
在其他类型的任务上，并没有出现如此异常的分差。
说明这种进步很可能不是来自通用的 Scaling Law，而是架构创新。
GraphWalks BFS 测试，就是给模型一个复杂的图结构，让它做广度优先搜索，从起点出发，一层一层地访问所有相邻节点。
标准 Transformer 处理这类问题只能一次前向传播，从头走到尾，输出结果，没有“迭代”这个概念。
Mythos 在图遍历上拿到了 80% 的分数，表明它内部很可能在“反复计算”，对同一组信息来回处理了好几遍。
那么什么样的架构能实现“反复计算”？
字节 Seed 团队在论文中提出LoopLM循环语言模型。
简单总结 LoopLM 有三个特点。
1、不写长文思考，在模型内部潜空间迭代，不额外输出更多 token。
2、简单题少想几步，难题多想几步，自动调节。
3、预训练时就学“怎么在潜空间思考”，而不是只学“怎么预测下一个 token”。
在实验中，团队训练了 Ouro 系列循环语言模型，内置了循环思考。
测试结果，1.4B 的 Ouro 模型性能对标约 4B 的传统模型。2.8B 的 Ouro 模型相当于 8B–12B 的传统模型。
至于循环模型的能力提升来自何处，论文详细分析了知识存储 vs 知识操作的区别。
知识存储（Knowledge Storage）的容量是有限的，大约每个参数 2bits，不管用什么架构，这个数字基本不变。
循环也不会让你“记住”更多东西。
但知识操作（Knowledge Manipulation）不一样，把已知事实组合起来做多跳推理、执行程序、搜索图结构，这类能力随循环步数和训练 tokens 指数级增长。
换句话说，循环模型没有给 AI 一个更大的知识库，但它让 AI 在知识库里的搜索和组合能力提升了一个量级。
那么 Mythos 究竟是不是循环模型架构，有人总结出除了 GraphWalks 之外的更多线索。
第一条线索，也就是广度优先图搜索测试结果。
Mythos 除了分数是 GPT5.4 的 4 倍，比上一代 Opus 提升幅度也异常大。
第二条线索，Anthropic 报告 Mythos每个任务使用的 token 数量是 Opus4.6 的 1/5，但速度更慢。
（价格也贵 5 倍！）
这在标准 Transformer 框架下很难说得通，token 少，生成步骤就少，应该更快才对。
但循环模型刚好解释了这个矛盾：推理不发生在 token 层面，而是发生在潜空间，计算量花在了看不见的地方。
线索三，Mythos 在网络安全方面非常突出。
Mythos 在 CyberGym 测试上拿到 83.1%，Opus4.6 是 66.6%，领先近 17 个百分点。
以及找到上千个零日漏洞，主流操作系统和浏览器全都没逃过。
漏洞发现的本质就是对控制流图做遍历。找到一条从输入到危险函数的路径，也就是图的可达性问题。
又是图遍历。又是循环架构的天生强项。
说了这么多，终归只是大家的猜测，Anthropic 没有公开任何关于 Mythos 架构的信息，很可能以后也不会公开。
但有一句话值得思考：
Scaling Law 改善一切，相对均匀，架构创新在匹配其归纳偏置的任务上创造异常尖峰值。
循环 Transformer 的归纳偏置就是迭代图算法。Mythos 的异常尖峰，恰好出现在图遍历任务上。
Anthropic 不说，但测试数据已经替它说了。
字节论文：
从行业视角来看，若循环架构得以验证，将标志着 AI 推理模式从“单次前向传播”向“动态计算分配”的转变。这种转变不仅关乎性能，更关乎能耗与成本的重新平衡。
对于中国科技企业而言，基础研究的出海与技术理念的渗透，往往比单纯的产品输出更具深远影响。无论 Mythos 是否真的采用了相关技术，这一传闻本身已足以证明，在 AI 架构创新的全球竞赛中，多方力量正在形成新的博弈格局。
未来，随着模型对复杂逻辑推理需求的增加，类似“潜空间迭代”的机制或许将成为高端模型的标配。我们不妨保持关注，等待更多技术细节的浮出水面。
