GPT-6 Astra发布后，市场对其复杂任务和长程Agent能力提升高度关注，底层架构层面变化也随之成为讨论重点。根据The Information于9月1日报道，OpenAI可能正在使用Loop Transformer技术；智谱也已将有效深度列为重点Scaling方向，并完成相关初步实验。我们认为，Loop Transformer有望拓展模型Scaling路径，提升单位Token计算强度并拉动算力需求；同时，Loop Transformer增加内部隐式计算，模型安全及可观察性的重要性也将进一步提升。建议关注基础模型、算力及AI安全相关方向。
　　Astra或引入Loop Transformer，前沿模型开始探索计算深度Scaling
　　The Information于9月1日报道，OpenAI可能使用了Loop Transformer技术；OpenAI首席科学家Jakub Pachocki随后表示，包括Astra在内的当前前沿模型，其计算图深度不超过GPT-4的2倍。同时我们注意到，Astra在部分监控场景中会主动减少CoTToken，这类减少显式推理但保持复杂任务能力的表现，与Loop Transformer的技术特征较为一致。结合媒体报道及OpenAI回应，我们倾向于认为Astra已经引入相关技术，但当前仍以浅循环为主。考虑到智谱在26年中报中也将Loop Transformer作为重要方向，我们认为前沿模型厂商开始探索计算深度Scaling。
　　计算深度有望成为新的Scaling维度
　　Loop Transformer通过循环复用中间层，让同一组参数可以多次处理隐藏状态，并根据任务复杂度调整循环次数，在参数量变化有限的情况下增加每Token计算量。随着参数扩张推高预训练和部署成本，显式CoTScaling也会增加推理时延和KVCache占用，计算深度Scaling重新受到关注。我们认为，当前研究仍主要集中在中小规模模型，前沿大模型仍处于早期工程化阶段，后续计算深度Scaling有望与预训练、后训练及显式Test-time Scaling共同推动模型能力提升。
　　Loop Transformer提升单位Token计算强度，AI安全重要性同步上升
　　硬件侧，循环次数增加会直接提升层计算和每Token FLOPs，算力是受益最明确的环节，同时，我们认为随着模型Agent能力提升，Computer Use与工具调用有望增加CPU侧执行负载。软件侧，前沿Agent已经出现绕过隔离、未经授权访问外部系统等行为，Astra也成为OpenAI首个达到Critical网络安全能力门槛的模型。随着Loop Transformer增加内部隐式计算，模型行为或更难持续观察和监控，建议关注AI安全及Infra侧模型可观察性相关方向。
　　投资结论
　　我们建议关注三条投资主线：1）基础模型。Loop Transformer开始进入前沿模型讨论，模型Scaling路径继续拓展，有望为后续能力提升打开新的计算维度，看好基础模型环节。相关公司包含智谱、MiniMax。2）算力。LoopTransformer通过增加循环次数提升每Token计算强度，算力总需求有望扩张，模型提升Computer Use能力，增加CPU侧执行负载，建议关注CPU相关机会。相关公司包括禾盛新材、海光信息、中国长城。3）AI安全及模型可观察性。Loop Transformer增加内部计算，叠加前沿Agent自主执行能力提升，模型行为监控和运行环境防护难度进一步提高，建议关注AI安全及Infra侧模型可观察性相关方向。
　　风险提示：宏观经济波动，技术进步不及预期，中美竞争加剧。