“想得更多”通常意味着“写得更多”：模型先生成一段思维链，再给出答案。
但对于路由、分类、工具选择这类答案就在给定选项里的任务，模型并不一定需要把思考写出来。一个更直接的问题是：能不能让模型在隐藏状态里多算几遍，而且只在难题上多算？
近日，来自 Lehigh University、University of British Columbia 和 Vector Institute 的研究团队提出了 Lev，一个用循环（loop）而不是 token 来加深思考的决策模型。同一组网络层反复运行，每一圈都能读出一次答案；一个轻量的停止器按题决定算几圈。
先说结论：同一个 Lev-2.6B checkpoint，在公开 JevBench 的 231 道题上从 1 圈的 63.2% 提升到 4 圈的 76.2%；按需深度在离线统计中少算 15% 到 24% 的循环计算，准确率损失不到 1 个点。
论文标题：Lev: Thinking Fast and Deep with Looped Decision Models 作者单位：Lehigh University；University of British Columbia；Vector Institute 论文地址：https://arxiv.org/abs/2610.20951 代码仓库（已开源）：https://github.com/OpenLAIR/lev 模型与数据：https://huggingface.co/collections/songdj/lev 项目主页：https://openlair.github.io/lev/
1. 问题背景：决策模型的“固定深度”
决策模型（如 Jev 及其开源复现 Kev）接收一个请求和若干候选项，用 pointer head 一次前向给出每个选项的概率，延迟在几十毫秒量级。它们的深度在训练时就固定了，对所有问题花同样多的计算。
作者用两个公开模型 Kev-0.8B 和 Kev-4B 做了逐题对比：在 JevBench 的 231 道公开题上，Kev-4B 多答对的 28 道全部来自标准题和难题，两者只在 42 道题上结果不同。若把 Kev-0.8B 最没把握的一半交给 Kev-4B，准确率几乎追平 Kev-4B 全量作答。
额外计算只在少数题上有用，而一次便宜的初读就能找到它们。
2. 为什么现有方案“不香”了？
级联：被转交的题要从头重读。Kev-0.8B 的中位延迟已有 79 ms，Kev-4B 为 108 ms，级联走到大模型时比直接用大模型还慢。 生成推理：在同一 26B 底座的两个开源 Jev 式服务上，打开思考让难题准确率提高 9 到 13 个点，难题中位耗时变成三到四倍。 加装循环：在 Qwen3.5-0.8B 上把中间 8 层接成零初始化门控的循环，准确率变化不到 0.5 个点，门控始终接近零。
第三点说明，循环需要在预训练阶段就学会。因此 Lev 选择原生循环语言模型做底座：Ouro-1.4B / 2.6B（4 圈）与 Nanbeige4.2-3B（2 圈）。
3. 方法
3.1 逐圈读出
记解码层为 ，从词嵌入 出发，第 圈计算 。每一圈之后，共享的 pointer head 读取各选项结束符和 <decide> 位置的隐藏状态，得到读出 。
用 圈服务只需算前 圈，成本约为全深度的 ；多算一圈直接从上一圈的隐藏状态继续，输入不用重读。
3.2 联合训练
pointer head 与 LoRA 适配器在各圈共享，损失对所有圈取平均：
因此每个深度都是一个可用的决策模型。浅层与深层的校准程度不同，作者为每个深度单独拟合温度。
3.3 停止器：预测一致性，而非正确性
常规早退在有标签数据上为置信度选阈值。作者指出这在决策模型上迁移很差：Lev-2.6B 在 1 圈停下的题，校准集上 94.8% 正确，新数据源上只有 78.9%，置信度却几乎相同；置信度区分“多算能改对的错误”的 AUROC 只有 0.46 到 0.61。
Lev 的停止器沿用 CATs 的一致性目标，在第 圈预测当前答案是否与最深一圈一致：
每个深度一个逻辑回归，阈值取能让至少 98% 的最终答案与最深答案一致的最小值。目标来自模型自身，拟合与选阈值都不需要人工标签，可直接在目标流量的无标签请求上完成。
4. 实验结果
三个 Lev 模型与三个非循环对照（Qwen3-1.7B、Qwen3.5-2B、Qwen3.5-4B）使用相同的 31,329 条训练数据和配方。评测包括两个 held-out 测试集（其中 LevBench 在任何模型读取前已冻结）和 JevBench 的 231 道公开题。
4.1 深度带来的提升
Lev-2.6B 在 JevBench 上 1 到 4 圈依次为 63.2%、71.0%、75.3%、76.2%，提升 13.0 个点（95% CI 7.4 到 19.0），第 2 圈贡献最大。
提升集中在难题：111 道难题净多答对 19 道，72 道标准题净多答对 10 道。按领域看，语言理解类提升 19.0 个点，幽默、颜色偏好这类“品味”任务没有提升。需要注意，更深不总是更对：LevBench 上第 2 圈改对 20.4% 的题，也改错 8.6%。
4.2 按需深度
在两个 held-out 测试集上，停止器使用最深一圈 76% 到 85% 的计算，准确率损失 0.3 到 0.8 个点；在 JevBench 简单、标准、难题上平均分别用 1.2、2.4、3.0 圈。与同成本的固定深度混合相比，增益较小：Lev-2.6B 高 0.2 个点，Lev-3B 高 1.0 个点。
4.3 停止规则消融
置信度、间隔、熵阈值和 patience 等早退规则在 Ouro 模型上都没有超过固定深度前沿；而在无标签目标请求上按一致率选阈值的单一最高概率阈值，与停止器只差 0.2 个点。真正起作用的是“用目标流量校准”，而不是特征设计。
4.4 延迟
在锁定测试上，39 到 46 ms 处按需的 Lev-1.4B 和 Lev-3B 比同延迟最好的非循环方案高 5.4 到 7.5 个点。延迟在单张 H200、bf16、一次一个请求下测得；按 FLOPs 计算，Lev 与非循环模型持平或更差，优势在延迟而不在计算量。
5. 总结与思考
Lev 展示了原生循环底座的一种用法：通过逐圈读出和联合训练，让“深度”成为推理时按题选择的设置；通过一致性目标和无标签阈值，让停止器在目标流量上自行校准。
几点值得关注的开放问题：
停止器以最深一圈为目标，救不回“浅层答对、深层答错”的 12.6% 的题，更好的停止目标有望超过最深一圈； 15% 到 24% 的节省是循环圈数，要转化为墙钟时间，需要支持不同深度请求打包的推理系统； 目前公开的循环底座只有 1.4B 到 3B。循环深度与逐圈读出的思路能否迁移到视觉或多模态模型，论文没有涉及，是一个开放问题。
论文、代码、三个模型和三个数据集均已开源（数据集为按来源条款筛选的子集）。