Iterative（迭代式方法）是 AI 领域中通过多轮重复优化逐步逼近目标的一类技术思路，广泛出现在大模型训练、智能体决策、模型压缩与行为控制等环节。与一次性生成或单步推理相比，迭代式设计强调把复杂任务拆成可反复修正的循环过程，近年在大模型研究与工程落地中的出现频率明显上升，已成为衡量智能体与生成系统可靠性的重要维度。
Iterative 相关研究近期进展
在智能体方向，Optimist Deep Research: An Iterative, State-Centric Agent for Autonomous Literature Research 提出以状态为中心的迭代式智能体，用于自主文献研究，通过多轮更新状态来组织长程研究任务。面向企业数据分析的 AgentOnto：用本体引导 LLM 智能体做企业数据分析 则尝试用本体约束引导智能体的多步推理，减少迭代过程中的语义漂移。
在模型行为控制与数据处理方面，PaSS：用迭代零空间投影提取人格子空间，实现 LLM 行为控制 用迭代零空间投影从大模型中分离人格相关子空间；CoDID：协同解耦与迭代模式发现处理隐藏相关性 将迭代模式发现用于处理变量间的隐藏相关性。
在生成与训练技术上，Safe Autoregressive Image Generation with Iterative Self-Improving Codebooks 论文 通过迭代自改进的码本提升自回归图像生成的安全性；ITSPACE：一种单调高斯最优传输更新方法 则在优化层面引入单调性约束的迭代更新。此外，SpriteStage: Long Horizon Animation Generation via Progressive Scene Programming and Replay 用渐进式场景编程与重放机制支持长时程动画生成。
当前焦点与观察点
目前围绕迭代式方法的讨论集中在三个层面。其一是效率与成本的平衡：迭代通常意味着更多推理轮次，如何在保持质量的同时压缩循环次数是工程重点，压缩混合MoE模型Nemotron-Labs-3-Puzzle-75B-A9B，吞吐量提升2.03倍 一文中 NVIDIA 开源的 75B 总参数、A9B 激活的混合 MoE 模型即以 2.03 倍服务端吞吐量为卖点，间接缓解了迭代推理的开销压力，该模型据 NVIDIA 开源 Nemotron Puzzle 75B MoE 模型，支持 1M 上下文 还支持 1M 上下文窗口。
其二是迭代过程的可控性与安全性：多轮自我修正可能放大错误或被攻击者利用，持续状态AI控制中的分布式攻击研究 即关注持续状态下控制系统的攻击面问题。其三是评价标准缺失：不同任务中迭代多少轮、何时收敛尚缺统一基准。后续值得观察的方向包括迭代与状态管理在智能体中的标准化，以及码本、投影等迭代技术在安全生成中的规模化验证。