A Unified View of Attention and Residual Sinks: Outlier-Driven Rescaling is Essential for Transformer Training

Fuente: arXiv
Enregistré dans:
Détails bibliographiques
Auteurs principaux: Qiu, Zihan, Huang, Zeyu, Wen, Kaiyue, Jin, Peng, Zheng, Bo, Zhou, Yuxin, Huang, Haofeng, Wang, Zekun, Li, Xiao, Zhang, Huaqing, Xu, Yang, Lian, Haoran, Zhang, Siqi, Men, Rui, Zhang, Jianwei, Titov, Ivan, Liu, Dayiheng, Zhou, Jingren, Lin, Junyang
Format: Preprint
Publié: 2026
Sujets:
Accès en ligne:
Tags: Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!

Documents similaires