OpenMythos Recurrent 提供一個可重用的實作，供構建和實驗受 Claude Mythos 設計啟發的 Recurrent-Depth Transformer（RDT）模型。它實現了三階段流程——Prelude（一次性編碼器層）、具有穩定注入的循環 Recurrent Block（學習的 A/…
OpenMythos Recurrent 提供一個可重用的實作，供構建和實驗受 Claude Mythos 設計啟發的 Recurrent-Depth Transformer（RDT）模型。它實現了三階段流程——Prelude（一次性編碼器層）、具有穩定注入的循環 Recurrent Block（學習的 A/B 參數、譜半徑約束）和 Coda——透過改變循環迭代次數來達成推論時的深度可擴展性。主要特性包括可切換的 MLA（Multi-head Latent Attention）與 GQA（Grouped Query Attention）、具路由或共享專家之稀疏 MoE（Mixture-of-Experts）前饋層，以及可配置的訓練自適應迴圈迭代排程。使用場景涵蓋計算自適應架構研究、參數高效的更深層推理、MoE 路由實驗，以及可變推理深度生成系統的原型開發。核心優勢為高效的權重重用、在推論時對推理深度的細粒度控制，以及便於快速實驗與部署的模組化注意力/MoE 配置。
本頁屬於 OpenClaw Skills 學習體系，涵蓋技能安裝、分類導覽與實戰連結。