一句话看懂：Hugging Face Papers 收录的论文 LEV 提出一种“循环决策”思路：不靠生成文本推理，而是重复运行模型层来加深计算，在难题上提升准确率，并可按需分配计算量。
事件核心：发生了什么
据论文摘要（原文发布时间为 2026 年 10 月 14 日），LEV 是一种决策模型：它对输入给出每个选项的概率，不做文本生成。与固定深度的常规决策模型不同，LEV 通过循环重跑网络层来“想得更深”，在每个循环步骤后读取选项并联合训练各步，因此同一份权重可在任意深度作答。摘要称，在三个循环骨干上，准确率随深度提升，且提升主要出现在难题上；2.6B 版本在 JevBench 上从深度一的 63.2% 升至深度四的 76.2%。此外，一个小型“停止器”可按问题动态设定深度，在未标注请求上拟合阈值，节省 15% 至 24% 算力，准确率损失不到 1 个百分点。在锁定测试集上，1.4B 和 3B 模型比同延迟下 50ms 以内的稠密模型和级联方案高 5.4 至 8.8 个百分点。需要说明的是，以上均为论文摘要信息，未核验全文实验。
为什么重要
当前“推理更久”多依赖生成更多 token，每一步都要付出解码成本。LEV 把深度放在循环层里，而不是输出文本里，提供了一条不同的 scaling 路径：用计算深度换准确率，而非用 token 数量换准确率。若该方法在更多任务上成立，会推动决策类模型在延迟敏感场景的竞争力，也意味着“按题分配算力”可能从工程技巧变成模型原生能力。
对用户/开发者/创作者的影响
对开发者而言，单一 checkpoint 支持多深度推理，有望简化部署与调参；按需深度机制若能落地，可降低推理成本。对普通用户和创作者，这类模型不直接生成内容，但可能改善分类、审核、选项判断等后台 AI 应用的响应质量与成本。企业选型时可关注：在相同延迟预算下，循环决策模型是否优于稠密模型或级联方案。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文实验是否覆盖更多任务与骨干，复现结果是否一致；二是“停止器”的动态深度策略在真实流量下是否稳定；三是是否有开源实现或 API 落地，以及竞品是否跟进循环计算路线。
