Apple 论文从零预训练 140M 至 1.3B 参数的循环语言模型，实测发现 halting head 按平均迭代数报告的省算力被系统性高估：预测均值 3.7 次迭代，实际运行 7.6 至 7.9 次，几乎不省算力。改用逐步打分后 token 约停 3 次，但 32 序列批次需等最慢 token，实付 4.4 至 4.7 次，领先从 0.0246 塌缩至 0.003 BPB。论文建议改报预测均值、实跑步数、批次实付三个数。

Mythos模型可能采用字节Seed团队的循环语言模型（LoopLM）架构，在图搜索任务中表现优异，广度优先搜索测试得分是GPT5.4的四倍。循环模型通过迭代计算提升了知识操作能力，尽管知识存储容量有限。此外，Mythos在网络安全测试中也表现突出，发现多个零日漏洞。

xLSTM 7B 是一种新型循环语言模型，采用 mLSTM 单元，优化了计算效率和内存占用。其改进的架构显著提升了推理速度和吞吐量，成为最快、最高效的 7B 模型。与传统 Transformer 相比，xLSTM 在长文本处理和生成效率上表现更佳，适合边缘设备应用。