研究揭示 Grokking 是分布式电路的频谱重编码
原文标题：Where Grokking Happens: Distributed Utility and Fourier Recoding Without a Module Switch
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。
论文提出 Transition Games 方法，探究 Transformer 从记忆转向泛化的功能位置。结果显示泛化收益呈分布式，并伴随 block-0 注意力的前瞻性偏置，二阶模式贡献了 67%–92% 的加法对比。研究否定了“MLP 记忆、注意力泛化”的简单二分，认为 grokking 是既有分布式电路的频谱重编码而非模块切换。
- 问题
- Transformer从记忆转向泛化时，功能变化究竟发生在哪个模块。
- 方法
- Transition Games行为对齐的精确激活博弈，配非泛化对照组，定位泛化收益的分布位置。
- 结果
- 二阶模式贡献加法对比的67%–92%；block-1 MLP在12/12对中比其它下游路径更关键；MLP记忆/注意力泛化预测反向（-0.331 bits/example，0/12）。
- 影响
- 推翻模块切换的简单二分，提示做可解释性和微调干预时不能只盯单一模块。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Transition Games显示grokking泛化收益分布式存在，二阶模式贡献加法对比的67%–92%，否定MLP记忆注意力泛化的二分。
- •提出Transition Games：行为对齐的精确激活博弈，并配非泛化对照组
- •泛化收益呈分布式，伴随block-0注意力的前瞻性偏置
- •选定二阶模式在替换博弈中贡献加法对比的67%–92%
- •精确路径研究显示block-1 MLP在12/12对中比所有其他下游路径更多中介其效应
- •MLP记忆、注意力泛化的预测反向（记忆锚点-.331比特/例，0/12符合预测方向）
为什么重要：若grokking是既有分布式电路的频谱重编码而非模块切换，针对特定模块做可解释性或干预的假设需要重审。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
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。