循环架构的账一直没人算平：质量不涨参数，内存却跟着圈数线性涨。这篇的解法很干脆——把最后一圈的 KV 缓存，借给第一圈。
补漏 1：先算清那笔没算平的账
标准 transformer 深度固定，循环架构把同一块层反复过：参数量只按一块算，有效深度却是圈数的倍数，质量因此不涨参数。代价在推理侧——每一圈都生成独立的 KV 缓存，圈数 L 的模型，缓存就是单圈的 L 倍。长上下文场景里，这笔账能直接把模型挤出显存。原帖一句话带过，这笔账才是全文的问题意识。
补漏 2：这不是技巧，是机理
同样训练出来的循环架构，KV 可共享性时有时无——机制不清就不能叫工程技巧，这是全文的前提，也是它值钱的地方。先回答"为什么有时能共享"，再谈"怎么让它总能"。
补漏 3：两阶段的因果链
预训练用随机深度诱导收缩残差动力学：随机丢层逼着表示对深度变化稳健，圈数越多越挤向同一个不动点，缓存自然能复用。后训练 BeNice! 把最终圈的 KV 广播进第一圈，训练第一圈产出兼容残差——等于让想清楚之后的自己，去教刚开始想的自己。共享之后，验证困惑度与不共享的标准微调持平：质量没交税，内存交了房东。
补漏 4：三个数连同场景一起读
缓存命中率 +31.4%、吞吐 +23.6%、p90 首 token 时间 -83.6%。第三个才是长上下文场景的命门——首 token 慢是循环架构最贵的税，83.6% 等于把这笔税免了大半。兼容性也写清楚了：与多 latent 注意力、Kimi delta attention 这类省内存序列混合器是互补组合，不是二选一。KV 共享省一份，压缩再省一份，两层能叠。
背景补一笔：循环这一支的家谱——Geiping 等人 2025（arXiv 2502.05171，Huginn-0125，GSM8K 从 16 圈到 48 圈，35% 到 45%）、Saunshi 等人 ICLR 2025（2502.17416，T 圈约等于 T 步思维链）、Parcae 2026（1.3B 循环模型顶到两倍大 transformer 的 87.5%）。Parcae 的一作 Hayden Prairie，正是这篇的一作。KV 线性增长是这一整支共同欠的税，BeNice! 是第一张认真的账单。
补一个架构细节，方便没读过循环架构的人对号：这类模型分三段——prelude 把 token 嵌入潜在空间，core 是那块被反复循环的共享权重（每圈还把输入embedding再注入一次防遗忘），coda 把最终状态解码成词表概率。KV 缓存的线性增长，长的就是 core 每一圈各自的那一份。
下一根钉子：31.4% 命中率是在什么负载和上下文长度下测的，长上下文的绝对值才是卖点；只做第一阶段不做后训练的消融，能看出随机深度独自贡献多少共享率；与 MLA、KDA 叠加时收益可不可加，原文应该有表，翻出来算一遍。
成本那句也得说清：BeNice! 是后训练阶段，共享的便宜不是零成本换来的——要多跑一轮微调。所以这套打法适合"训练一次、服务很久"的部署，不适合拿模型当快消品的场景。缓存省的是每一次推理，后训练花的是每一模型一次，账要这么算。