OpenAI下一代模型Astra尚未正式发布，却已在科技圈掀起轩然大波。据多方消息透露，这款模型采用了一种名为“循环深度”（recurrent depth）的全新推理架构，在性能提升的同时大幅减少了思考所需的Token数量，引发了行业对AI技术演进方向的热烈讨论。
传统Transformer模型如同单程电梯，数据从底层逐层向上传递，完成固定次数的运算后输出结果。若要增强推理能力，只能通过增加模型层数或参数规模，但这会带来巨大的算力消耗。而Astra采用的“循环Transformer”架构则打破了这一限制——它让数据在相同的网络层中反复循环处理，通过多次迭代深化推理过程，而非单纯依赖模型规模的扩张。
这种设计并非OpenAI首创。谷歌2025年发表的论文《Reasoning with Latent Thoughts》曾证明，一个包含k层、循环L次的Transformer模型，在多项推理任务中可达到接近k×L层普通模型的性能，而参数量并未同步增加。今年2月，另一项研究通过让35亿参数的小模型核心块循环运行，在足够多的迭代次数下，其表现竟媲美500亿参数的大模型，验证了“循环深度”架构的潜力。
Astra的突破性在于将这一技术推向实用化。据测试，该模型在数学和编程等需要多步迭代的领域表现尤为突出。例如，在解决复杂问题时，它不再像传统模型那样通过输出大量中间步骤的文本（即“思维链”）来展示推理过程，而是将计算隐藏在向量空间中，通过多次循环内部状态完成深度推理，最终仅输出简洁的结果。这种“静默思考”模式虽提升了效率，却也让人类难以直接观察模型的决策路径。
OpenAI首席科学家Jakub Pachocki回应外界质疑时表示，Astra及公司其他前沿模型的计算图深度仅为GPT-4的两倍，远低于部分传闻的夸张程度。但他同时承认，“循环深度”架构通过优化计算流程，实现了性能与成本的平衡。例如，在计算机使用任务中，Astra已展现出接近人类水平的操作能力，且能持续运行数周而不中断，这得益于其内部状态的高效迭代机制。
技术社区对Astra的争议集中于可解释性。传统模型通过输出思维链文本，为人类提供了理解其决策的窗口；而Astra的“隐身思考”模式则关闭了这一通道。支持者认为，这符合AI向更高效、更接近人类认知方式演进的趋势；反对者则担忧，缺乏透明度的模型可能带来不可控的风险。meta此前在“连续思维链”（Coconut）研究中指出，模型使用向量而非文本进行推理，可能更准确且节省资源，但这一优势以牺牲可解释性为代价。
尽管争议未平，Astra的实力已通过部分演示得到验证。在前端开发任务中，其表现堪称“统治级”；在持续性智能体场景中，它能长时间自主运行而无需人工干预。OpenAI多位研究员近期频繁暗示这款模型的强大能力，甚至有内部人士称其为“赛博义父”级别的突破。随着GPT-6上线传闻的扩散，整个行业正屏息等待这场技术革命的正式到来。
