待验证50% 置信事实精确时间
ROME的核心洞见是Transformer模型的MLP层在事实知识存储中扮演关键角色，功能类似键值记忆库
1
来源数
50%
置信度
长期有效
时效性
2026/7/7
首次发现
来源
反向微调实验：AI如何被训练相信东京不是日本首都
hackernewshackernews2026/7/5
相关事实
待验证在 Transformer 架构中，事实性知识被认为主要分布在 MLP（前馈网络）层的权重矩阵中，注意力机制负责在推理时动态检索和整合这些知识78% 相似待验证基于Transformer的SAKT、AKT等模型引入注意力机制来建模历史练习对当前知识状态的影响，提升了预测精度68% 相似待验证ROME 的因果追踪方法通过在 Transformer 前向传播的不同位置注入噪声，观察哪些层的激活状态对最终输出影响最大，从而定位存储特定事实的关键层68% 相似待验证研究表明Transformer模型浅层倾向于捕捉语法和局部模式，深层负责更抽象的语义推理和事实回忆67% 相似待验证大模型底层采用Transformer架构，其注意力机制要求每个token与上下文中所有其他token进行交互计算，带来近似二次方复杂度特性67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/177043API
curl https://kongchang.com/api/v1/knowledge/claims/177043MCP
get_claim(id=177043)