别卷上下文了？CMU新论文：让AI睡一觉，特定推理飙升52%

新智元报道

【新智元导读】都在卷上下文窗口，以为越大越强。CMU新论文发现：大模型缺的不是长上下文，是「睡一觉」。

这两天，一篇arXiv上的论文在Hacker News上引发热议。

这篇论文题目为《Language Models Need Sleep》（大模型需要睡觉），作者是来自CMU的Sangyun Lee、Giulia Fanti，以及马里兰大学的Sean McLeish和Tom Goldstein。

https://arxiv.org/pdf/2605.26099

它要解决的，是一个被整个行业卷疯了的问题：长上下文。

这两年，大模型的上下文窗口从几千token一路扩展到几十万乃至百万级。对前沿模型来说，百万级上下文已经不再罕见。

所有人都默认一条逻辑：窗口越大，模型记得越多，就越聪明。

但这篇论文偏要打破这个行业共识：模型答不对，不是记不住，而是「缺觉」了。

长上下文

可能从一开始就卷错了方向

先说清楚现在主流大模型是怎么处理长文本的。

纯Transformer有个硬伤：注意力的计算量随上下文长度呈平方级增长，缓存占用则线性增长：塞得越多，越烧钱。

于是一些前沿长序列模型开始采用混合架构：注意力负责高保真地读取近期token，再穿插固定大小的「快速权重」（fast weights，可快速更新的轻量记忆）负责压缩存储活跃窗口之外的信息。

注意力＋SSM（状态空间模型）的混合设计，如今在大规模前沿模型里已经很常见。这套设计的逻辑是：只要快速权重的存储容量够大，长上下文问题就解决了。

但论文实验结果，直接打脸了这个假设。

论文核心架构图。当上下文窗口被填满，模型在「驱逐边界」(Eviction boundary)前先做N次离线递归前向传播，反复更新SSM模块中的快速权重(Fast weight)。随后注意力缓存(KV cache)被丢弃，模型仅凭巩固后的快速权重，一次前向就答出「8」。

研究者设计了一组受控实验：在token预算相同、需要存储的信息量固定的前提下，只调一个变量：所需的推理深度。

结果发现，随着推理深度增加，普通的SSM-注意力混合模型性能持续下降。哪怕快速权重的容量明明是够的。

这意味着瓶颈并非「记忆容量」。真正缺的，是把已经被驱逐出缓存的上下文，转化成有用内部状态的那部分计算量。

能记住，窗口塞得下，不等于会推理。整个行业卷了两年的「窗口大小」，可能从一开始就找错了那个最关键的按钮。

模型怎么「睡」？

一次计算调度的重新分配

那论文的解法是什么？让模型「睡一觉」。

这听起来似乎有点玄乎，但背后的机制并不复杂，它的灵感来自生物学：

动物把短期记忆转为长期记忆的过程，被认为依赖海马体回放，尤其发生在睡眠期。睡眠期间动物对外界刺激没有反应，说明这件事的认知收益，值得它付出「断联」的代价。

模型的「睡眠机制」，则是照搬了这个调度逻辑。该机制的触发时机是：当上下文窗口被填满。这时模型不急着清空缓存，而是先进入睡眠模式。

在这段睡眠里，它对累积下来的全部上下文做N次离线递归前向传播，通过一个习得的局部规则，递归地更新SSM模块中的快速权重。

当然，和动物睡觉一样，这个阶段模型不接收任何外部输入token。睡醒之后，KV缓存被清空，模型带着更新过的快速权重继续干活。

这里的关键在于：额外的计算被整体挪到了睡眠阶段。只要这一步赶在缓存驱逐前、或在空闲期完成，模型醒着回答时就仍是一次标准前向传播，推理延迟不会增加。

这才是这套机制最聪明的地方：醒着的时候只管快答，真正费脑子的整理工作，留给睡觉。

HN上有人点出了这套机制的巧思：定期停下来，把近期上下文写进一个快速权重状态，这一步等于给了模型一段专门的「消化时间」，而不是让它在回答时硬扛。

他更看好E2E-TTT那套做法，这是一种更灵活的持续学习方案。

递归不只为回答

也为记忆

这里你可能会问：让模型「多想几步」，这不是早就有的思路吗？

的确，此前的Looped LM（循环语言模型）、测试时计算（test-time compute），走的都是同一条路：让模型在回答时多绕几圈。

论文里用到的Ouro 1.4B，本身就是一个这样的循环模型。Ouro并非这篇论文新发布的模型，而是此前已有的工作，它采用参数共享的循环架构，让同一批Transformer块反复作用，从而在潜在空间里做迭代计算。

这篇论文的创新之处在于它把「循环」这件事的作用，从输出端挪到了记忆端。

以往的循环模型，把递归计算花在「预测」上：回答问题时多想几步。这篇论文的核心洞见是：递归不仅能用于预测，也能用于记忆巩固。

把读过的token变成好用的记忆，这件事本身就不简单，一次传播未必做得完。就像梯度下降，也是靠一次次迭代，才慢慢把权重调好的。睡眠期多循环几次，就是多给模型几步，让它把上下文嚼得更透，压进快速权重里。

而且和以往的循环模型不同，这个模型回答时根本不用循环——该花的算力，睡觉时已经花完了。以前是回答时多想，现在是睡觉时多想。

不过在Hacker News上，也有人对「睡眠」这个说法提出相当尖锐的质疑：看不出这个方法在「睡眠」期间真的更新了模型权重。

被更新的，似乎只是SSM的状态：任何Mamba类模型每处理一个token都会做的常规更新。这位用户的判断是：论文只是优化了模型，让它在即将驱逐缓存时更充分地利用这个状态而已。

还有人翻出别的研究于它对比：端到端测试时训练（E2E-TTT），以及Letta团队的「睡眠时计算（sleep-time compute）」。焦点只有一个：去掉「睡眠」这个新包装，它到底比前人多走了几步？

Letta团队《睡眠时计算》论文提出，让模型在用户提问前离线「思考」上下文，预先算好可能用得上的量，从而压低测试时的计算开销。与本文同属「离线计算」路线，但是另一项独立研究。https://arxiv.org/pdf/2504.13171

但换个角度看，这恰恰说明它踩在一条正在成形的路上。把部分计算从「回答时」前置到「空闲时」，并非这篇论文独创。

离线思考、算力前置，正在成为一条新路线。它和「回答时无限拉长思维链」走的是相反方向：一个把算力往前挪，一个把算力向后堆。

52%的提升从哪来

成本是什么

支撑这个机制的，是一堆扎实的数据。

论文的实验任务有三类：元胞自动机、Depo多跳图检索，以及GSM-Infinite数学推理。

这些任务有个共同点：普通Transformer和SSM-注意力混合模型，在上面都会失败。

第一个数据。在GSM-Infinite的六步运算子任务上，Ouro 1.4B用4次循环后，最终准确率从0.419提升到0.615；更难的八步运算，从0.210提升到0.272。

第二个数据，在滑动窗口驱逐的设置下，使用循环让准确率从0.596一路拉到0.905。论文称之为52%的提升。

元胞自动机任务上的准确率对比。不循环的基线模型在50亿训练token后仅约10%准确率，2次循环升至约20%，3至4次循环时超过30%。

还有一条规律：增加睡眠时长N，性能会随之提升，而且在最需要深度推理的样本上，增益最大。睡得越久，想得越深。

当然，这52%的数据，对应条件是特定模型（Ouro 1.4B）、特定任务（GSM-Infinite）、特定子集（滑动窗口驱逐设置）上的相对提升，并非「大模型推理能力整体暴涨52%」，不能把这个数字泛化到所有任务、所有模型。

睡眠也是有「代价的」，作者也提到了：训练时需要做N倍更深的前向和反向传播，这会让训练更慢、更不稳定。

大模型要「卷睡觉」了

刚卷完上下文，接下来，AI该「卷睡觉」了。 这意味着AI的「空闲时间」也要变得值钱了，如果这条路走通，改变的可能不只是一个跑分数字。

想象长程的AI智能体、连续多轮对话、超长文档处理这类场景。

模型完全可以在「空闲期」做一件事：把堆积的上下文整理、巩固，折叠进权重。等下一个请求到来时，它不必重新翻一遍历史，而是带着已经消化好的记忆，一次前向给出答案。

「让AI休息」这件事，可能不再只是一个拟人化的比喻，而是会变成一种专门的算力调度策略。

当然，它的约束依然存在：训练成本、稳定性、工程调度，都仍未被解决。

作者也谈到了该论文的局限：这是一篇arXiv预印本，而且，实验模型规模中等偏小，只是方法层面的探索。没人能据此推断这套机制已经能用在GPT、Claude、Gemini这些生产系统上，中间还隔着很长的路。

但它至少提醒了我们：让大模型变强的方式，未必只是让它在醒着的时候算得更多，有时让它闲下来，反而是让它变强的开始。

参考资料：

https://news.ycombinator.com/item?id=48281226%20

https://arxiv.org/pdf/2605.26099

编辑：元宇