Originalarbeiterreichbar
Running Fewer Loops Removes Refusal Behaviour in Recurrent-Depth Language Models
Preprint von Seyedarmin Azizi und vier Mitautoren vom 10.10.2026, unbegutachtet. Gemessen an vier veröffentlichten Ouro-Fassungen und an Huginn-0125, dem Modell von Geiping und Mitautoren: Was passiert, wenn man bei der Anwendung weniger Durchläufe rechnet als im Training.
geprüft 10.11.2026
Worauf sich diese Seite beruft, wörtlich, abgerufen am 15.10.2026:
At half of its trained depth, Ouro-1.4B-Thinking still solves 0.692 of the GSM8K maths problems, against 0.775 at full depth, keeping 89% of its accuracy.
bestätigt 10.11.2026Over the same reduction, the rate at which it helps with harmful requests rises from 0.038 to 0.205, 5.3 times higher.
bestätigt 10.11.2026The number of repetitions, which we call loops, is chosen when the model runs, not when it is trained, and running fewer is cheaper and faster, so a deployment may choose to do it.
bestätigt 10.11.2026
Looped Transformer: Ein Modell, das denselben Block mehrfach durchläuft