近期研究在标准前馈 Transformer 中发现了一段中层深度的可语言化、因果强大的表征带，被视为全局工作空间的功能类比。尚不清楚当深度通过递归而非独立层堆叠实现时，这一工作空间功能是否仍然出现。循环 Transformer 和深度递归 Transformer 直接检验该问题，因为它们在深度上复用同一套权重。我们通过虚拟展开适配器将雅可比视角（Jacobian lens）扩展到迭代结构，并对三种模型应用完整的工作空间套件——包括镜头拟合、读取以及十一类因果实验。
实验对象包括 Ouro-2.6B（48 层循环 4 次，深度监督）、Huginn-0125（4 层核心递归 16 次，针对潜在推理训练）以及 Qwen3.6-27B（64 层未绑定，作为标准基线）。结果显示，迭代部分均会形成工作空间，但递归方式改变了对其的访问方式。Ouro 在每一次循环中都会重建工作空间内容，线性传输无法跨循环边界携带该内容，因此写入和消融必须覆盖所有剩余循环。相对地，Huginn 能在全部十六次递归中保持内容向前传播，但读取、写入和消融仅在约两次递归的滑动窗口内起作用。
进一步观察发现，新注入的内容能否被语言化取决于显式的每次迭代监督，而已有内容是否能被引导则不受此影响。
点评