手机输入法里那个会跟着前文变的候选词，背后往往是一个小型 AI 模型在跑。这类「记住上文」的活儿长期由循环神经网络承担，GRU 是其中被端侧设备用得最多的一种。它比 LSTM 少一个门、少一条状态线，参数量约为后者的四分之三，很多任务上效果却基本打平。真要判断它值不值得选，得先弄清少掉的那部分省了什么，又在哪些任务上真的会吃亏。
两个门砍掉的是哪一段计算
LSTM 每一步要做四次门控运算：遗忘门决定旧状态留多少，输入门决定新内容写多少，输出门决定这一轮往外送什么。GRU 把前两个合成一个更新门，用同一个数值的两面分别表示保留与写入——更新门取 0.7，意味着七成旧状态留下、三成新内容进来，两个比例天然互补，不需要分别学习。省掉的输出门原本负责把内部状态压一次再输出，GRU 直接拿隐状态当输出，这道转换被取消。想先弄清 LSTM 那套三门结构怎么运转，可以看 LSTM 的三个门各自管什么。
结构差异落在哪些指标上
| 维度 | LSTM | GRU | 实际影响 |
|---|---|---|---|
| 门控数量 | 三个（遗忘、输入、输出） | 两个（更新、重置） | 每步少一组矩阵乘，参数量约为四分之三 |
| 状态通道 | 细胞状态与隐状态两条 | 只有隐状态一条 | 中间变量少一半，显存占用与实现复杂度都下降 |
| 遗忘与写入 | 两个门独立取值 | 同一个门的两面，此消彼长 | 做不到「多忘一些同时少写一些」这种组合 |
| 长距离传递 | 细胞状态上近似线性累加 | 隐状态上直接混合 | 梯度路径更短，历史也更容易被新输入冲淡 |
四行里真正决定取舍的是第三行。前两行省下的是确定性成本，第三行丢掉的是表达上的自由度，而这份自由度只在特定任务上才兑现成效果差异。
重置门常被理解错
不少介绍把重置门说成「清空记忆的开关」，这个说法会误导调试。重置门作用在候选状态的计算上：它决定算这一步的新内容时要参考多少旧隐状态，候选值由当前输入和「重置之后的旧状态」共同决定。旧状态本身并没有被抹掉，最终留下多少仍由更新门说了算。分开这两件事有实际用处——模型对局部模式不敏感，先查重置门是不是压得太狠；模型抓不住长期趋势，先查更新门是不是留得太少。把两个门的功能混在一起谈，调参时就只能盲试。
省下的算力换成了什么
循环网络每处理一个时间步都要做一次矩阵乘，序列一长，单步省下的那点乘法会累积成可观的差距。参数量小还带来两个附带好处：模型文件更小，适合放进内存紧张的设备；每步延迟更低，适合流式处理。语音唤醒、实时字幕这类要求边说边算的场景，延迟比峰值算力更关键。这也是 GRU 在端侧长期占位的现实原因，它赢的地方在每步成本。梯度怎么沿时间维度回传，可参考 梯度下降的基本机制，循环结构的麻烦正在于这条链被拉得很长。
门少了，长依赖还是吃力
GRU 有三个绕不开的限制。第一，更新门把遗忘和写入绑在一起，遇到需要精确保留很久以前某个事件、同时快速丢掉无关细节的任务，比如长文档里的实体追踪，LSTM 的独立门更从容，GRU 常常顾此失彼。第二，无论门怎么设计，把全部历史压进一个固定长度向量这件事本身就有上限，序列超过一定长度，早期信息一定会被后续输入稀释，这时候该换 注意力机制，而不是继续加门。第三，它对并行训练不友好，必须按时间步依次计算，GPU 的大部分并行能力闲着，这是大模型全面转向注意力的根本原因。还有一条常被夸大的说法——GRU 收敛更快。它在小数据、短序列上常常如此，换到长序列或需要精确记忆的任务，这个优势会消失甚至反转。
怎么判断该选哪个
给几条可操作的判据。样本量小、又担心 过拟合，优先 GRU，参数少意味着同样的数据能撑起更小的假设空间。部署在端侧、内存或功耗受限，优先 GRU。任务要求记住很久以前的精确细节，优先 LSTM。需要长序列并行训练，两者都不合适。最后一条经验值得记住：这两者的差距通常小于数据质量和超参数调优带来的差距，先把训练流程做扎实，再回头比结构，比一上来就纠结门数更划算。
速查：GRU 的取舍
- 省掉的是输出门和独立细胞状态，参数量约为 LSTM 的四分之三
- 更新门管「留多少、写多少」，重置门只管「算新内容时看多少旧状态」
- 适合小数据、端侧、低延迟；不适合超长序列和需要并行训练的场景
- 结构选择的影响，通常小于数据和调参的影响
