# Dory1.0-4B höjer träffsäkerheten med upprepad beräkning

> Modellen med 4 miljarder parametrar kan köra sitt delade block flera gånger vid inferens. Det ger högre träffsäkerhet i benchmarktester till priset av mer beräkning, utan större KV-cache.

Oossa · 2026-11-04 · https://oossa.com/sv/dory1-0-4b-uses-repeatable-computation-to-boost-accuracy

Forskare har presenterat Dory1.0-4B, en språkmodell med 4 miljarder parametrar vars delade block kan köras upprepade gånger vid inferens. Det gör att samma modellcheckpoint kan använda olika mycket beräkningskraft, i stället för att det behövs en separat, större modell för varje beräkningsbudget.

Enligt artikeln presterade modellen med två eller fler loopar i genomsnitt bättre än flera större modeller på 12 benchmarktester. Med fyra loopar genererade Dory 1,3–2,5 gånger färre token på agentbaserade benchmarktester än med en loop. Forskarna uppger att modellens KV-cache har samma storlek oavsett antal loopar. De har släppt modellcheckpointar i fyra format.

## Fakta

- Förtränad på 6 biljoner token; kontexten utökades till 256K token.
- Öppna modellcheckpointar finns i formaten BF16, MXFP8, NVFP4 och GGUF.

## Varför det spelar roll

För utvecklare som väljer en öppen modell erbjuder Dory ett sätt att lägga mer beräkningskraft på inferens utan att öka KV-cache-storleken. De rapporterade benchmarkförbättringarna kommer dock från artikeln och visar inte att resultaten gäller i alla tillämpningar.

## Källor och referenser

1. [Dory1.0-4B: A Looped Normalized-GPT](https://arxiv.org/abs/2611.03998) – arXiv, 2026-11-04

Senast uppdaterad: 2026-11-04