混合循环语言模型中的接收端条件化状态重建

基于摘要分析。本文研究混合循环语言模型在计算多个候选分支后，如何减少分支内部状态的存储与传输成本。核心思路是保留一个已完成分支的状态，以其作为其他已计算分支的参考，通过紧凑记录恢复最终选中的分支，而不必保留这些分支共同的起始状态。 理论部分针对固定仿射分支映射，分析重建所缺失的信息，以及限制误差放大所需的校正。对于较短的 Gated DeltaNet 分支，作者采用 decay matching，将循环状态表示为缩放后的兄弟分支状态与紧凑残差之和；另存无损逐位修复记录，以纠正数值差异并精确恢复原生状态。这一区分很重要：紧凑表示负责减少记录体积，逐位修复负责消除数值重建偏差，不能将其概括为仅靠近似残差即可无损恢复。 作者报告，在 Qwen3.5-4B 上、同一运行时条件下，修复后的记录在全部 64 个评估端点均复现了原生缓存的比特、重新计算的 logits 及 128-token 续写。在另一项涉及 48 个短端点的比较中，配对字节比率的中位数相对于 canonical lossless Full 为 29.1%，相对于直接对兄弟分支状态执行 exclusive OR（XOR）的记录为 30.1%；这些数值是相应端点与基线下的记录体积比率，不代表整体推理加速。 端点构造、分支长度、完整存储核算、修复计算成本、跨运行时可复现性以及实验协议、消融及统计信息尚未验证。研究对象是语言模型的内部循环状态与分支缓存，并非 EEG 信号或 BCI 解码；材料尚不足以支持其对 EEG/BCI 的有效性推断。