待验证50% 置信事实精确时间
自回归归一化流（autoregressive normalizing flows）本质上就是自回归Transformer
1
来源数
50%
置信度
长期有效
时效性
2026/9/5
首次发现
来源
涉及实体
相关事实
待验证残差连接是 Transformer 的核心创新之一，每一层的输出是输入加上该层的变换结果64% 相似待验证在Transformer中残差流的写入操作是线性叠加（加法），使不同模块的贡献保持可分离性，是机制可解释性追踪信息来源的数学基础63% 相似待验证Switch Transformer的原始论文中论述了引入辅助损失函数来强制均匀分配专家的设计62% 相似待验证Akyürek等人2022年的工作从理论上证明，Transformer在执行上下文学习时其前向传播等价于在注意力层中隐式运行一步梯度下降更新62% 相似待验证Anthropic团队于2022年解析了Transformer内部的归纳头（induction heads）机制62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/860362API
curl https://kongchang.com/api/v1/knowledge/claims/860362MCP
get_claim(id=860362)