门控机制（Gating）在深度学习中的角色正从简单的信息筛选向精细化、解耦化的方向发展，并在序列建模、异常检测、LLM推理等多个领域取得新突破。
- 近期主要进展包括：
- 解耦擦除与写入的门控线性注意力：NVIDIA 提出的 Gated DeltaNet-2 通过将 Delta 规则中的擦除和写入门控分离，实现了更灵活的记忆更新，在长程依赖任务上表现优异（NVIDIA 发布 Gated DeltaNet-2：线性注意力层解耦擦除与写入）。
- 稀有门控条件模块用于异常检测：RGFiLM 在海事异常检测中引入稀疏激活的门控机制，仅对稀有事件施加条件，提升了模型对异常模式的敏感性（RGFiLM：稀有门控条件模块提升海事异常检测）。
- 技能条件门控自蒸馏提升LLM推理：Skill-Conditioned Gated Self-Distillation 通过门控动态选择相关技能知识，使LLM在推理任务中更专注（Skill-Conditioned Gated Self-Distillation 提升 LLM 推理能力）。
- 门控在xLSTM子二次架构中的优势：xLSTM 在代码预训练和时序建模上优于其他子二次模型，其门控机制是关键因素（xLSTM 在子二次架构对比中胜出：代码预训练与时序建模表现最强）。
当前焦点在于：门控如何从二元开关进化为连续、可学习的条件控制，并与注意力、记忆等机制深度融合。例如，Gated DeltaNet-2 将擦除和写入解耦，是对传统门控功能（如 LSTM 遗忘门和输入门）的精细升级。未来观察点包括：门控在长序列效率与建模能力之间的权衡，以及其在多模态、持续学习等场景中的泛化能力。