大模型深度的诅咒：深层Transformer为何失效
深度2026年6月13日3 分钟阅读
研究发现，随着Transformer层数增加，模型深层表示的方差呈指数级增长，最终导致表示崩溃（Representation Collapse）。
本文编译自 The Curse of Depth in Large Language Models，版权归原作者所有。
觉得有用？分享给更多人
相关文章
a16z 发文探讨 Replit 的“智能体栖息地”理念，认为 AI Agent 正重复 PC、电子表格和电子邮件的路径：先以混乱方式进入企业，再通过适当管控释放价值。文章强调，混沌是技术真正有用的信号，企业需要为 Agent 提供自由但有边界的运行环境，从而提升组织对齐度。
深度·10月26日·6 分钟
文章以 OpenAI 和 Anthropic 的评估事故为例，指出配置的边界不等于运行时的真实可达范围。智能体能动态选择步骤，因此治理需要覆盖运行时：通过遥测、事件关联、及时干预和独立审计四个属性，将可观测性转化为遏制能力。Langfuse 和 ClickStack 分别覆盖智能体层和基础设施层，共同支持这一闭环。
深度The New Stack·10月26日·8 分钟