七年前，《Attention is all you need》这篇论文横空出世，transformer架构从此碘伏了整个深度学习领域。如今，各家大模型几乎都以transformer为基础，但它内部到底是怎么运作的——依然像一个黑盒子，没人能完全说清楚。去年，transformer论文作者之一Llion Jones创立了Sakana AI，而最近这家公司发表了一篇很有意思的研究，标题是《Transformer Layers as Painters》。他们把预训练transformer中的信息流，类比成画家在流水线上作画的过程。

这个类比很直观：画布（输入）被依次递给一群画家，有的画家擅长画鸟，有的擅长画轮子。每个画家从下一个画家那里拿到画布，然后决定要不要添上几笔，或者干脆跳过（利用残差连接），再传给上一个画家。当然，这不是严格的理论，只是一种思考工具。顺着这个思路，研究团队提出了一连串问题，对预训练的大模型做了一系列实验——注意，没有对模型做任何微调。实验对象是仅解码器（Llama）和仅编码器（BERT）两类模型，测试了标准transformer执行策略的各种变化。

各层是否都在使用相同的表征空间？

为了回答这个问题，研究者先看了一个朴素现象：如果跳过某层，或者把相邻两层的顺序互换，模型会崩溃吗？拿Llama2-7B来说，第6层通常等着接收第5层的输出，如果突然给它第4层的输出，它会不会“直接罢工”？

实验结果（图2）显示，除了第一层和最后几层，中间层对这种跳层或交换表现得相当皮实。这说明中间层共享一套表征空间，而“外围层”（第一层和最后几层）用的则是另一套。为了进一步验证，他们又测量了不同层隐藏状态之间的平均余弦相似度（图3），发现所有中间层的一致性很高。于是第一个问题的答案出来了：是的，中间层共享一个共同的表征空间。

所有层都是必要的吗？

既然中间层共享空间，那是不是意味着有些层是多余的？研究团队设计了“跳过层”实验：把第N层的输出直接喂给第N+M层的输入，中间跳掉M−1层（图1a）。目的是看看第N+M层能不能理解来自第N层的激活——毕竟它原本只接收第N+M−1层的输出。

结果（图4）显示，无论是在Llama2-7B还是BERT-Large上，性能都只是适度下降，并没有崩溃。所以第二个问题的答案也很明确：不，至少可以删除一些中间层而不会出现灾难性故障。

中间层都执行相同的功能吗？

既然共享表征空间，会不会意味着这些层做的是同样的事？研究者把中间层的权重替换成某一层（比如中心层）的权重，然后让模型在被替换的层上循环T−2N+1次（T是总层数，Llama2-7B有32层，BERT-Large有24层）。结果（图5）非常糟糕：随着被替换的层数增加，模型在基准测试上的得分迅速下滑，甚至比后面其他实验中的任何方法都差（图11也证实了这一点）。

所以结论是：中间层虽然共享空间，但各自执行不同的功能，让它们共享权重根本行不通。

层的顺序重要吗？

既然中间层功能不同，那它们的排列顺序有多大意义？研究者做了两组实验：第一组，把中间层按训练时的相反顺序运行；第二组，随机打乱顺序（取10个随机种子的平均值）。结果（图6、图7）显示，两种情况下模型性能都出现了下降，但下降比较平缓。而且更有意思的是，随机打乱的效果竟然比完全反过来好。原因可能是随机打乱在某些程度上保留了层之间“大小关系”（比如层i在层j之后，i＞j），而完全反过来彻底打破了这种关系。这说明顺序虽然重要，但并非不可动摇，层本身的功能比顺序更关键。

这些层可以并行运行吗？

如果把中间层全部并行起来，把它们的平均结果送给最后的几层，会怎样？实验（图8）显示，在大部分基准测试中性能平缓下降，只有面对GSM8K里的数学应用题时表现明显变差。也就是说，并行运行在绝大多数情况下可行，唯独对付需要顺序逻辑的数学问题有点乏力。

对于某些任务来说，顺序是否比其他因素更重要？

纵观所有“改造”过的模型，只要碰到抽象推理（ARC）或数学推理（GSM8K）这类基准，性能往往掉得最快。研究者认为，这是因为逐步推理任务对层级顺序特别敏感，远高于那些靠语义理解就能搞定的常识任务。推理需要同时把握结构和含义，不像拼贴画那样可以随意安排各部分。这就像画一幅由各种元素组成的拼贴画，顺序无所谓；但若是画一张精确的建筑透视图，每一笔的顺序就至关重要了。结论是：数学和推理任务对层顺序的依赖性更强，而纯语义任务就没那么讲究。

循环有助于层之间并行吗？

回到画画的比喻：画家在画一幅画时，不会一开始就把所有东西画满，而是先画出车身，再根据车身去画车轮。如果transformer的层也能先得到正确的“草图”，是不是就能更高效地贡献后面的笔画？实验设计是：把并行层的平均输出重新反馈回同一层，进行固定次数的迭代。图9展示了循环3次的结果：效果显著优于单次并行。特别是当起始层N设定为15（Llama2-7B）或11（BERT）时，只有一层被影响，三次循环的效果等于把那层重复了三次，性能跟完整模型一样好。进一步实验（图10）显示，除了极端情况（几乎并行所有层），最佳迭代次数与并行化层数大致成线性关系。结论是：最佳迭代次数与并行化层数成正比。

如何调整层，对模型性能的影响最小？

最后，研究者把所有实验放在一起比了比（图11）。中间重复——用同一层的副本替换其他层——表现最差，很快掉到随机基线水平。相反，随机化层顺序和循环并行的影响最小。整体上，这些实验中的性能下降都比较平缓，但研究者自己也不完全清楚为什么层能扛住这么多扰动，这个问题只能留到未来的研究中继续探索了。

更多细节请参见原论文：https://arxiv.org/pdf/2407.09298v1