八卦情报：微软证实 OpenAI 在 GPT-6 系列中采用循环 Transformer 架构

事件核心

微软官方文档近期意外披露，OpenAI 在 GPT-6 系列模型中引入了“循环 Transformer”（Looped Transformers）架构，这一细节证实了此前《The Information》关于 OpenAI 架构演进的报道。根据披露，GPT-6.1 (代号 Sol) 采用了两阶段推理过程，而非传闻中的三阶段。关于“GPT-6 与 6.1 共享基础权重”的表述，业内分析认为这指向了 OpenAI 正在推行一种基于同一基座模型（Base Model）进行差异化后训练（Post-training）的标准化生产路径。

技术/商业细节

循环 Transformer 的核心在于通过权重共享（Weight Sharing）机制，让模型在推理过程中多次反复调用同一组参数。这种方法显著降低了推理时的内存占用，并能通过增加推理步数（Inference Steps）来提升模型在复杂逻辑任务上的表现。GPT-6.1 Sol 采用两阶段推理，意味着模型在处理长链条思考任务时，通过循环迭代实现了类“思维链”的自我纠错，这标志着大模型从单纯的“预测下一个 Token”向“动态推理引擎”演进。

八卦分析：全球影响

OpenAI 这一架构调整释放了两个关键信号：首先，计算效率已成为模型规模化竞争的胜负手，循环架构是应对高昂推理成本的直接手段；其次，OpenAI 正在尝试通过“基座模型+循环推理”的组合，弱化对超大规模参数量的依赖，转而追求推理深度。对于竞争对手而言，这意味着单纯堆砌参数的 Scaling Law 可能即将触顶，算法架构的“循环化”将成为下一阶段技术护城河。

战略建议

企业在评估大模型选型时，应从关注“参数规模”转向关注“推理效率与逻辑深度”。对于开发者，需关注循环架构对 RAG 系统及长上下文处理带来的延迟影响。建议研发团队密切关注循环推理在多步规划任务中的表现，并提前布局针对此类架构的推理优化技术，以规避未来算力成本的剧烈波动。