决策模型不再一次定答案：同一套权重循环加深，难题多算几步就多对13个百分点
核心概要
面向固定选项的决策模型通常一次前向就给出每个选项的概率，深度在训练时固定，简单题和难题花同样的算力。LEV 把主干换成预训练时就带循环的语言模型，每一步之后都读取选项并联合训练所有步，因此一个检查点可在任意深度作答；在 JevBench 上，2.6B 模型从深度一的 63.2% 升到深度四的 76.2%，增益主要来自难题。一个轻量停止器按问题决定深度，阈值在无标注请求上拟合，节省 15% 到 24% 的算力，代价不到一个准确率点。
深度剖析
决策模型现在可以在同一套权重上按问题加算力：每多跑一次循环，模型就重新读一遍选项，难题因此能多算几步。 此前的决策模型一次前向就给出每个选项的概率，深度在训练时固定，简单题和难题花同样的计算；按文本生成推理的模型能想更久，但每一步都要付出解码 token 的代价。 在三个循环主干上，准确率随深度上升，增益主要集中在难题；2.6B 模型在 JevBench 上从深度一的 63.2% 升到深度四的 76.2%，第四个循环步对 Ouro 模型最多再加一个点。
按需深度让每个问题自己决定停在哪一步，难题多走几步，简单题早停。 固定深度只能整批地选择算力，而按标注数据上的置信度阈值早停，在决策模型上并不优于同成本的固定深度混合。 停止器预测当前答案是否已与最深答案一致，阈值在无标注请求上拟合；在留出面板上它比最深读数低不到一个点，却只花 76% 到 85% 的算力，锁定测试集上同样最多低 1.0 个点。
在低延迟区间，循环决策模型比同延迟的稠密模型和级联更准。 稠密选项在 22 到 79 毫秒之间没有模型作答，级联则要把不确定的问题从头再读一遍并多托管一个模型。 在锁定测试集上，1.4B 和 3B 模型在 50 毫秒以下比同延迟的稠密模型和级联高 5.4 到 8.8 个点；按浮点运算计，每个 LEV 模型都不高于稠密选项，因为每个循环步都跑整个主干。
启示与展望
研究覆盖 1.4B 到 3B 参数的循环主干，即公开可得的规模；JevBench 结果基于其 231 道公开题。按需深度的成本以循环步数计，延迟是在单张 H200 上逐条请求测得，未使用融合算子、图捕获或状态缓存。
停止器预测的是与最深答案的一致，而非正确性；有 12.6% 的 LevBench 问题某个较浅深度答对而最深读数答错，这类问题无法被该停止器找回。置信度区分“更深能修正的错误”与其余错误的能力有限，这限制了任何停止器相对固定深度前沿的领先幅度。更大循环主干上的深度曲线尚未测量。