# Głębokość rekurencyjna

EN: **Recurrent-depth language models** · id `recurrentdepth` · aliases: Huginn, latent recurrent depth

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Sieci i modele generatywne](https://aiatlasgraph.com/t/neural.md) › [Rozumowanie w modelach językowych](https://aiatlasgraph.com/t/reasoningmodels.md) › [Pętle głębokości i myśli ukryte](https://aiatlasgraph.com/t/latentloops.md) › Głębokość rekurencyjna

## Description

- PL: Model językowy skaluje obliczenia odpowiedzi przez rozwijanie współdzielonego bloku rekurencyjnego w przestrzeni ukrytej.
- EN: A language model scales answer compute by unrolling a shared recurrent block in hidden space.

## In one sentence

- PL: Model językowy powtarza jeden blok tyle razy, ile potrzebuje, bez dopisywania słów pośrednich.
- EN: A language model repeats one block as many times as it needs, without writing intermediate words.

## Problem it solves

- PL: Więcej tokenów myślenia wydłuża odpowiedź i okno, a nie każde rozumowanie da się zapisać słowami.
- EN: More thinking tokens lengthen the answer and the window, and not all reasoning can be written in words.

## What it does

- PL: Ten sam blok rozwija się w kolejne przejścia w przestrzeni ukrytej, a liczba przejść rośnie dopiero przy odpowiedzi.
- EN: The same block unrolls into further passes in hidden space, and the pass count grows only at answer time.

## Everyday example

- PL: Przy zadaniu z kilkoma warunkami model przelicza blok wiele razy i wypisuje sam wynik.
- EN: On a task with several constraints the model reruns the block many times and writes only the result.

## This concerns you if you…

- PL: chcesz więcej obliczeń bez dłuższego tekstu
- PL: okno kontekstu jest krótkie
- PL: nie masz śladów kroków do treningu
- EN: want more compute without longer text
- EN: the context window is short
- EN: have no step traces for training

## Keywords

Huginn · recurrent block · latent reasoning · test-time depth · unrolling · parameter sharing · LoopCD

## How it works

- PL: Blok jest iterowany przy teście do wybranej głębokości, bez specjalistycznych śladów słownych w treningu. Autorzy przeciwstawiają to modelom, które skalują koszt przez więcej tokenów. Zysk zależy od zadania i liczby przejść, a pośrednie stany można też użyć przy dekodowaniu.
- EN: The block is iterated at test time to a chosen depth, without specialised written traces in training. The authors contrast this with models that scale cost by more tokens. Gains depend on the task and the pass count, and intermediate states can also guide decoding.

## Limits

- PL: Brak słów pośrednich utrudnia sprawdzenie, gdzie model zbłądził. Głębsze rozwijanie kosztuje czas. Wyniki z abstraktu dotyczą prototypu, nie są ogólną gwarancją.
- EN: Missing intermediate words make it hard to see where the model went wrong. Deeper unrolling costs time. Abstract results concern a prototype, not a general guarantee.

## Key terms

- PL: **rozwinięcie**: Kolejne przejścia tego samego bloku przy jednej odpowiedzi.
- PL: **głębokość testowa**: Liczba powtórzeń wybrana dopiero przy odpowiedzi, nie w treningu.
- EN: **unrolling**: Successive passes of the same block for one answer.
- EN: **test-time depth**: A repeat count chosen at answer time, not fixed in training.

## Know first

- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)
- [Obliczenia w czasie wnioskowania (Test-time compute scaling)](https://aiatlasgraph.com/t/testtime.md)

## Related topics

Untyped, symmetric "see also" links.

- [Obliczenia w czasie wnioskowania (Test-time compute scaling)](https://aiatlasgraph.com/t/testtime.md)

## Sources

- [Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach](<https://arxiv.org/abs/2502.05171>) `geiping-recurrent-2025` · by Jonas Geiping, Sean McLeish, Neel Jain, John Kirchenbauer, Siddharth Singh, Brian R. Bartoldson, Bhavya Kailkhura, Abhinav Bhatele, Tom Goldstein
- [Decoding Looped Transformers Better for (Almost) Free](<https://arxiv.org/abs/2610.02185>) `liu-loopcd-2026` · by Weihao Liu, Huangjie Zheng, Tianrong Chen, Rohit Dilip, Richard He Bai, Yizhu Jiao, Yuyang Wang, Ruixiang Zhang

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/recurrentdepth · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30