给Transformer变个形, LLM竟能变得更聪明

编辑｜Panda

2026 年 6 月，大模型行业正在经历一场前所未有的「开源海啸」：英伟达放出了 550B 参数的混合架构模型，谷歌送出多模态的 Gemma 新版本，智谱用最宽松的协议全量开源了自家旗舰模型。

几乎所有厂商讲述的，都是同一个故事：用混合专家（MoE）结构装下更多参数，用更稀疏的激活方式压低成本，用弹性的网络宽度去匹配不同的部署场景。

换句话说，整个行业正在拼命研究「怎么把更多的参数，塞进同样的算力预算里」。

但一篇来自 Mila、康奈尔大学和蒙特利尔大学研究者的新论文，提出了一个几乎相反方向的问题：如果一个参数都不多加，只是把模型里已经存在的参数「挪个位置」，会发生什么？

论文标题：Tapered Language Models

论文地址：https://arxiv.org/abs/2606.23670

背景：被忽视的「一视同仁」

从 2017 年那篇开创 Transformer 的论文《Attention Is All You Need》开始，几乎所有的语言模型都共享同一种骨架，不管是经典 Transformer，还是后来的门控注意力、循环记忆网络，甚至是带「测试时记忆」能力的新架构，即：把若干结构完全相同的「层」叠在一起，每一层分到的参数量都一模一样。

这就像一家连锁餐厅，无论开在闹市区还是郊区，都配备完全相同数量的厨师和厨房设备，完全不考虑客流量的差异。这种「一视同仁」的分配方式，省心、好维护，但未必是最优解。

10倍杠杆平台

近年来，越来越多的研究从不同角度指出：模型的层并不是同等重要的。

「提前退出」实验显示，很多时候模型在还没跑到最后一层时，答案已经基本定型；

「层剪枝」研究发现，砍掉后面的一些层，模型表现几乎不受影响；

可解释性研究则发现，浅层网络捕捉的是语法这类「基础信息」，深层网络处理的才是语义这类「高级信息」。

换句话说，层与层之间天差地别，但参数分配却始终一视同仁。

这正是论文提出的核心疑问：既然层的重要性早已被证明是不均匀的，为什么层的「脑容量」还要被均匀分配？

把「脑容量」往前挪

研究团队先做了一个简单粗暴的验证实验：把一个 440M 参数的 Transformer 模型的层分成早、中、晚三组，在保持总参数量不变的前提下，让其中一组的「前馈网络」（FFN，模型中负责存储和处理信息的核心组件，可以理解为每一层的「工作记忆容量」）变宽，其余两组变窄。

结果非常清楚：把容量集中到前段的「头重脚轻」式分配，让模型在验证集上的困惑度（perplexity，衡量语言模型预测准确程度的指标，数值越低代表模型预测得越准）从 16.28 降到 15.96；而反过来把容量集中到后段，困惑度反而飙升到 17.29。

同样的参数总量，仅仅因为摆放位置不同，效果差出了一个多点，这在语言模型的评测体系里是相当大的差距。

这个发现把问题指向了更细的方向：与其用「一刀切」的三段式分组，能不能用一条更平滑的曲线，让容量从前到后逐渐递减？

研究者将这种思路命名为「锥形语言模型」（Tapered Language Models， TLMs）：选定模型中任何一个决定参数量的维度（比如前馈网络的宽度），让它沿着深度方向单调递减，同时保证所有层的平均宽度依然等于原来的固定值。

这样总参数量和计算量都完全不变，只是分布形状从「长方形」变成了「楔形」。

团队尝试了三种递减曲线：线性递减、余弦递减、S 形（Sigmoid）递减。

这三种曲线的差异，类似于三种不同的「收摊」方式：

元股证券:ygzq.hk

线性递减像是匀速关店，每一段时间关掉差不多数量的柱台；

S 形递减像是突然集中宣布闭店，大部分摊位维持原样，只有中间一小段急速收缩；

余弦递减则介于两者之间，两头平缓过渡，中段逐渐收紧，既不会「一刀切」地损失两端的灵活性，也不会平均用力而错过最该收缩的地方。

实验结果：免费的 1.84 个点

在 440M 参数的 Transformer 上做完五种宽度比例和三种曲线的组合扫描后，余弦递减以全面优势胜出：在最优配置下（前段宽度是基准的 1.5 倍，后段是基准的 0.5 倍），困惑度从均匀分布基线的 16.28 降到了 14.44，整整改善了 1.84 个点，且全程没有增加一个参数或一次额外的浮点运算。

更关键的是，这个结论不是某一个架构的运气。

研究团队把同一套配置（余弦递减、前后宽度比 1.5/0.5）原封不动地搬到另外三种结构迥异的架构上：带门控机制的注意力模型、具备「自我修改记忆」能力的 Hope-attention，以及拥有神经长期记忆模块的 Titans 架构，并在 760M 和 1.3B 参数两个更大规模上重新验证。

结果是：四种架构、两种规模，所有八组对比中，经过「锥形化」改造的模型在常识推理基准上的平均准确率全部提升，在 LAMBADA 语言预测任务上的困惑度全部改善。

研究者还额外做了长文本检索测试（Needle-in-a-Haystack），确认这种重新分配并不会牺牲模型处理长上下文的能力。

为了解释这种现象背后的原因，团队还测量了 GPT-2 系列模型中每一层「前馈网络」输出与已有信息流的相似程度，发现一个清晰的规律：越往模型深处走，每一层新写入的内容，跟已经存在的信息越像。也就是说，后段的层更多是在「重复强调」已有的判断，而不是在「创造」新的理解。

这恰好印证了为什么把容量从后段挪到前段是合理的:前段的层真正用得上这些额外的「脑容量」，后段的层用不上。

结语

这项研究本质上提出了一个朴素却被长期忽视的命题：模型的容量不该是均匀泼洒出去的资源，而应该流向真正需要它的地方。

在整个行业都在比拼「谁的参数更多」「谁的架构更稀疏」的 2026 年，这篇论文提供了一个几乎零成本的替代方案：不需要换架构，不需要加参数，只需要换一种分配的「形状」。

研究者也坦言，目前的最优配置是在一个 440M 参数模型上调出来的，是否存在更适合不同规模、不同架构的「专属配方」，仍是开放问题。

但更值得关注的是，论文指出这套思路并不局限于语言模型——视觉 Transformer、扩散模型、多模态模型，几乎都继承了同一种「层层均分」的默认设定。如果容量分配的形状本身就是一个被长期忽视的设计维度，那么这把「藏在明处的免费杠杆」，或许才刚刚被人注意到。

团队简介

论文由 Mila（蒙特利尔学习算法研究所）的 Reza Bayat、康奈尔大学的 Ali Behrouz，以及 Mila 联合创始人、蒙特利尔大学教授 Aaron Courville 共同完成。

Ali Behrouz 目前是 Google Research 的研究员、康奈尔大学博士生，过去两年里参与设计了多个引发广泛关注的新架构，包括能够「在测试阶段学习记忆」的 Titans 架构，以及后续的 Atlas 和「嵌套学习」（Nested Learning）框架，长期专注于如何让模型更高效地利用和存储长期上下文信息。

Aaron Courville 则是深度学习领域的资深学者，CIFAR AI Chair，长期与 Yoshua Bengio 共同推动深度学习基础研究，在表征学习和生成模型方向有深厚积累。他也是生成对抗网络（GAN）的作者之一，并与 Ian Goodfellow 和 Bengio 合著了经典著作《Deep Learning》。

股票移动交易