Depths（深度）在机器学习中指模型堆叠的层数或处理阶段数，是决定模型容量与计算开销的核心维度之一。近期的研究趋势显示，社区正从单纯“堆更深的层”转向更精细的深度利用方式：让同一组参数在不同深度上被重复调用、或在固定层数内嵌入多种计算路径，从而在参数量与性能之间寻找新的平衡点。
Depths 相关近期进展
当前焦点与观察点
目前围绕 depths 的讨论主要集中在三个方向。第一是效率导向的深度复用：循环型架构（如上述 Depth-Programmed Experts）试图证明“深度的价值可以来自重复计算，而非更多参数”，这对推理成本敏感的视觉与多模态场景尤其有吸引力。第二是评测口径问题：当不同模型用不同方式组织深度时，单纯的层数对比已不能反映真实能力，社区越来越依赖端到端的表现对比。
第三是争议点：循环复用深度虽然节省参数，但会带来序列化的计算依赖，能否在吞吐量上真正胜过标准前馈式深层网络，仍缺乏充分的大规模验证。值得观察的是，如果这类 depth-programmed 方法在视觉任务上站稳脚跟，类似思路很可能被迁移到大语言模型的推理优化中。对研究者而言，跟踪 arXiv 上相关论文的后续实验与开源实现，是判断这条路线成色的最直接方式。