同一道题反复检查，思路顺时可以快一点，越想越乱时则该放慢。循环 Transformer——让同一组网络层反复修正内部状态的模型——原本通常每轮都按固定幅度更新。这样虽能用较少参数换来更深推理，却不管题目和阶段难易，容易把额外计算花得机械。
论文提出 TAPS：它观察连续几轮的更新轨迹。若方向持续一致，就放大下一步；若更新来回波动，就缩小步幅。具体来说，它用指数移动平均——一种更看重近期变化的滚动统计——分别估计“持续前进”和“波动”的强弱，全程不需要知道正确答案。作者还从理论上给出条件：这种调度可降低最终损失，并用更少循环达到目标质量。
据作者实验，TAPS 无需重新训练，就能提升 Sudoku 和 Maze 等结构化推理任务的最终准确率；把同一原则加入训练后，还能在匹配基线准确率时获得最高达论文所报的墙钟时间加速。不过，所给正文片段未保留具体加速倍数，结果也尚不能据此推广到所有任务。