GPT-6 Astra的发布让“循环Transformer”技术爆火。其核心是让同一组网络层反复运行，不增加参数规模而加深计算。但学界发现该模型易陷入“计算冗余”：首轮计算后，后续轮次增量极小，沦为“陪跑”。

针对此痛点，阿里团队早有布局，连发两篇顶会论文破局： 一是获ICLR 2026接收的MeSH。研究发现后续循环“摸鱼”源于计算无分化与信息过载。MeSH引入动态“记忆柜”和读写路由器，让每轮循环动态调配信息、明确分工。实验显示，减少约33%参数后，模型准确率反而提升。

二是获EMNLP 2026接收的SpiralFormer。它打破每轮处理完整序列的定式，让模型以“从粗到细”的尺度观察数据：初期压缩序列看全局，后期还原抠细节。这有效降低了计算量并提升了成绩。

简言之，MeSH解决循环间“拿什么算”的信息分工，SpiralFormer解决“以多大粒度算”的尺度分工。两项研究直击架构卡点，让“用更少参数撑起更强模型”成为可能，为循环Transformer成为下一代大模型路线夯实了基础。