> 数据图表我想了解一下03 新的Scaling范式：Latent Reasoning / Recurrent Depth2026-9-203 新的Scaling范式：Latent Reasoning / Recurrent Depth在参数Scaling，CoT Scaling之外，出现了一个新的Scaling范式：Latent Reasoning / Recurrent DepthRecurrent Depth的核心，是让同一组Transformer层在Latent空间内反复计算多轮，再输出下一个Token。Latent Reasoning / Recurrent Depth结构论文实例：2层Prelude + 4层Core + 2层CodaInputPreludeRecurrent Core × rCodaOutput真实层数：8层 Core循环：32次Prelude：把输入编码成latent表示Recurrent Core：同一组Transformer层反复计算Coda：读取最终latent state，输出下一个Token模型训练 / 生产阶段Scaling范式Parameter ScalingCoT ScalingRecurrent / LatentScalingPre-training生成基础语言模型扩大参数规模训练模型—从预训练开始学习可循环计算Post-training教模型学会推理RL等后训练教会模型展开推理可继续通过RL优化——有效计算深度2 + 4 × 32 + 2 = 1328层真实参数 → 132层有效计算深度模型部署 / 推理阶段成品模型部署Inference部署时可增加Reasoning Token扩展维度扩大模型容量Model Capacity延长推理长度Sequence Length部署时调节循环深度 /FLOPs per Token加深单Token内部循环Computation DepthCoT Scaling与Recurrent / Latent Scaling均属于Test-Time Scaling：训练完成后，部署时仍可调节推理算力。CoT Scaling：沿Token序列展开——“想得更长”；Recurrent Scaling：沿单Token内部计算深度展开——“想得更深”。19数据来源：Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach；浙商证券研究所浙商证券综合其他
