因果自注意力机制的二次方计算开销,严重制约了长上下文Transformer模型的推理效率。尽管目前已存在大量事后线性化方法(post hoc linearization pipelines),但其中哪些组件真正能够维持模型性能却难以甄别。本研究在严格冻结主干网络(frozen-backbone)的前提下,单独剥离并考察状态更新机制(state update design)的影响。我们发现,Softmax操作本质上依赖于键向量(key)驱动的、秩为1的正交投影;这一发现清晰解释了为何“增量式”(delta-style)网络架构优于纯粹基于门控机制的累加方式。我们进一步识别出一种潜在的近似误差来源,并据此提出若干结构化改进策略,具体包括:引入“汇点标记”(sink tokens)、采用短卷积(short convolutions),以及实施固定预算的缓存路由(fixed-budget cache routing),从而显著缩小剩余性能差距。我们将该线性化方案扩展应用于LLaMA与Qwen系列模型,参数规模最高达320亿,其在MMLU基准测试上的表现超越了此前所有事后线性化基线方法,同时在长上下文检索任务上的性能亦可媲美复杂的自适应缓存框架。

