解决循环：用于语言与推理的吸引子模型

本文提出吸引子模型（Attractor Models），作为纯前馈计算的替代方案，通过迭代细化潜在表示以提升语言建模与推理能力。该架构利用隐式微分求解不动点，实现了自适应迭代次数与恒定训练内存。实验表明，该模型在大规模预训练及小模型推理场景中均优于现有 Transformer 及循环模型。特别是在高难度推理任务（如数独与迷宫）中，参数量极小的吸引子模型准确率远超主流大模型，展现了迭代细化机制的可扩展性与内部化潜力。