层重要性揭示 Transformer 与状态空间模型的差异
原文标题：What Does Layer-Importance Reveal About Transformers and State-Space Models?
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文通过层重要性视角比较 Transformer 与状态空间模型（SSM），将层重要性分解为必要性（预训练依赖度）与可塑性（微调吸收新信息的位置）。分析发现两类模型行为根本不同：在评测的至多 14B 参数残差 Transformer 中，必要性与可塑性沿深度反相关，而 Mamba 式 SSM 中二者指向重叠区域。该对齐符号还能预测下游适配行为，Transformer 中集中更新高可塑性层会加剧灾难性遗忘，而 SSM 中该效应消失。
- 问题
- 为Transformer建立的分析知识有多少能迁移到状态空间模型尚不清楚。
- 方法
- 将层重要性分解为必要性（预训练依赖）与可塑性（微调吸收新信息），跨深度比较两类模型。
- 结果
- 至多14B参数的残差Transformer中必要性与可塑性反相关，Mamba式SSM中二者重叠；该对齐符号可预测下游适配行为。
- 影响
- 做SSM压缩或选择性微调时不能照搬Transformer经验，需按层重要性对齐模式区别处理。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。