# SpectralShift：通过谱重参数化扩展 Gated DeltaNet 上下文

- **原题**：SpectralShift: Effective Context Window Extension of Gated DeltaNet via Spectral Reparameterization
- **作者**：Zian Liu、Yiwen Hu、Zican Dong、Tian Xie、Wayne Xin Zhao、Yucheng Ding、Ran Tao、Bryan Dai。
- **版本**：arXiv:2609.14320v1；提交于 2026-09-13；获取及研读日期：2026-09-18。
- **原始材料**：[arXiv](https://arxiv.org/abs/2609.14320v1) · [本地 PDF](../source/paper.pdf) · [作者 TeX](../source/tex/files/acl_latex.tex) · [源码清单](../source/tex/manifest.json)。已读取主 TeX 的正文、全部实质性附录 A–I，并用同版本 28 页 PDF 核对图表、公式及页码。参考文献用于确认文内来源，未逐篇阅读被引论文。
- **配套成品**：[英文组会幻灯片](slides.en.pdf) · [可编辑 TeX](slides.en.tex)。作者在论文中给出的代码地址为 [GDN-SpectralShift](https://github.com/RUCAIBox/GDN-SpectralShift)；本次未运行作者训练代码或复现实验。

## 论文总览

**核心问题是：模型能接受更长输入，并不意味着递归状态能把有用信息保留到查询位置。** 对混合注意力模型，只调整全注意力层的位置编码并继续预训练，可能没有解决 Gated DeltaNet（GDN）层原先学到的遗忘速度与新依赖长度之间的失配。

SpectralShift 把这个问题写成有限时间状态转移矩阵的奇异值问题：长程信息需要足够多的“慢衰减方向”，写入信息也需要进入这些方向；与此同时，模型还要保留可快速清空旧状态的分量。方法只在扩展训练开始时围绕全局均值收缩 α 投影权重，并在训练中缩小该投影的学习率，两者都使用 $s=\sqrt{L_{\rm ref}/L_{\rm tar}}$。

最明确的主实验结果是：在 1.5B 总参数、0.6B 激活参数的混合 GDN-MoE 上，8K→32K→128K、10B+10B token 的训练设置下，五个评测长度的 RULER 分数均值从 52.38 升至 55.18，即 **+2.80 分，约 +5.35% 相对提升**。但 128K 评测点本身是 43.1→44.6（+1.5 分），不能把跨长度平均提升写成该点提升。也不能将结果概括为每个任务、每个长度都上升。（Sec. 5.2，Table 3，PDF p. 6）

## 结构地图

以下均为从 1 开始的 PDF 页码；本文件不替未编号的原文公式编造编号。

| 原文章节 | 作用 | 页码与关键证据 |
|---|---|---|
| 1 Introduction | 线性递归层扩窗失配与方法概览 | pp. 1–2，Fig. 1 |
| 2 Preliminary | GDN 更新、有限时间衰减、慢谱带 | pp. 2–3 |
| 3 Analysis: Understanding Long-Context Retrieval through Spectral Dynamics | 慢模态数量与写入对齐诊断 | pp. 3–4，Tables 1–2 |
| 4 Method: SpectralShift for Long-Context Continual Pretraining | 初始化、学习率、联合谱变化 | pp. 4–6，Algorithm 1，Lemma 1，Theorems 1–2 |
| 5 Experiments | 主结果与三类消融 | pp. 6–8，Tables 3–6 |
| 6 Related Work；7 Conclusion | 相关工作定位及总结 | p. 8 |
| Limitations；Ethics Statement | 小模型验证范围与作者声明 | p. 9 |
| A Analysis Details | 门控参数化与精确谱分解 | pp. 12–13 |
| B NIAH Spectral Analysis Details | 针位置、SVD 计算、快头计数 | pp. 13–14，Tables 7–8 |
| C Derivation of the Square-Root Length-Scaling Exponent | 条件性的平方根规则推导 | pp. 14–15 |
| D Proofs for alpha-Centered Spectral Initialization | 单调性及固定轨迹边界 | pp. 15–17 |
| E One-Step State Response During Length-Scaled CPT | 模块微扰、状态响应、共享衰减界 | pp. 17–20 |
| F Positive Spectral Displacement and Slow-Band Expansion | 正初始化裕量、扰动预算、快头保持条件 | pp. 20–25 |
| G Pre-Training Experiment Details | 架构、训练、数据配比 | p. 25 |
| H Evaluation Results；I RULER Evaluation Variance | 分任务结果及方差 | pp. 25–28，Tables 9–11 |

## 一：动机——需要多少条能活到终点的信息通道？

全注意力直接访问历史 token，计算成本随序列长度平方增长；GDN 用固定大小的矩阵状态压缩历史，GDN 层的递归计算可随长度线性增长。压缩的代价是，旧信息需要经过连续状态转移才能到达未来查询。如果只增加输入窗口，原来的遗忘速度可能让早期信息在到达查询前就消失。（Sec. 1，pp. 1–2）

只追求“最长记忆时间”也不够：即使有一个方向衰减很慢，其他信息仍可能没有空间保存。作者因此同时看慢谱带的宽度与写入对齐。反过来，把所有方向都变慢也不是目标：状态清理与上下文切换需要快衰减分量。快谱与具体功能的联系是作者的机制解释；论文的快头计数并不是直接的上下文切换行为测试。

![图 1：SpectralShift 原始方法示意图](figures/fig-01.png)

原图：Fig. 1，PDF p. 2，复用作者矢量图并转为 PNG。左侧定位 α 投影在 GDN 中的位置；右下展示权重及学习率修改；右上横轴为传播距离、纵轴为慢谱比例，After 曲线展示更慢的容量流失。该概览图没有误差带，定量结论应以 Tables 1–6 及附录协议为准。

## 二：方法——改共享衰减，同时让其他分支继续学习

### 2.1 GDN 的状态与符号

| 符号 | 含义与维度 |
|---|---|
| $\mathbf h_t$ | 当前层输入，$\mathbb R^{d_{\rm model}}$ |
| $\mathbf k_t,\mathbf q_t$ | key 与 query，$\mathbb R^{d_k}$；推导假设 $\|\mathbf k_t\|_2=1$ |
| $\mathbf v_t$ | value，$\mathbb R^{d_v}$ |
| $\mathbf S_t$ | 每个头的状态，$\mathbb R^{d_k\times d_v}$ |
| $\alpha_t$ | 标量保留门，$(0,1]$ |
| $\beta_t$ | 标量更新门，$(0,1)$ |
| $\ell=j-i$ | 该任务实际依赖距离，以 token 计，不一定等于总窗口长度 |
| $\gamma_r$ | 第 $r$ 个奇异方向的衰减率，量纲为每 token |

采用附录 E.4（PDF pp. 18–19）与状态维度一致的写法：

$$
\mathbf S_t=\mathbf A_t\mathbf S_{t-1}+\beta_t\mathbf k_t\mathbf v_t^\top,
\qquad \mathbf A_t=\alpha_t(\mathbf I-\beta_t\mathbf k_t\mathbf k_t^\top),
\qquad \mathbf o_t=\mathbf q_t^\top\mathbf S_t.
$$

**原文符号问题**：Sec. 2（p. 2）把加性项写为 $\beta_t\mathbf v_t\mathbf k_t^\top$；附录 E.4 写成 $\beta_t\mathbf k_t\mathbf v_t^\top$，后者也与 Sec. 3.2 的残差写入和上述状态约定一致。虽然作者令 $d_k=d_v$，方阵尺寸相同仍不消除 key/value 轴含义的差异。本笔记和幻灯片统一使用附录 E.4 的形式，并明确这一选择。

归一化 key 时，$\mathbf A_t$ 在 key 方向的特征值为 $\alpha_t(1-\beta_t)$，其余方向为 $\alpha_t$。因此 α 控制整个头的共享衰减，β 和 key 控制方向性擦除。但多步矩阵通常不交换，不能直接把逐步特征值相乘当成长期记忆谱。（App. A.2，pp. 12–13）

### 2.2 有限时间转移与慢谱带

$$
\boldsymbol\Phi_{i\to j}=\mathbf A_j\cdots\mathbf A_{i+1}
=\left(\prod_{t=i+1}^j\alpha_t\right)\mathbf R_{i\to j},
\quad \mathbf R_{i\to j}=\mathbf R_j\cdots\mathbf R_{i+1},
\quad \mathbf R_t=\mathbf I-\beta_t\mathbf k_t\mathbf k_t^\top.
$$

令 $\sigma_r(\boldsymbol\Phi)$ 按降序排列：

$$
\gamma_r=-\frac1\ell\log\sigma_r(\boldsymbol\Phi)
=\underbrace{-\frac1\ell\sum_t\log\alpha_t}_{\gamma_\alpha}
+\underbrace{-\frac1\ell\log\sigma_r(\mathbf R)}_{\gamma_{\mathbf R,r}}.
$$

这里的“谱”主要指**有限时间乘积的奇异值谱**，不是单步特征值谱。α 的乘积对同一头所有奇异值做相同缩放，在衰减率上表现为共同平移。

$$
\mathcal S_\ell=\{r:\sigma_r(\boldsymbol\Phi)\ge e^{-1}\}
=\{r:\gamma_r\le1/\ell\}.
$$

慢谱带保留的是“经过当前任务距离后，振幅至少剩 $e^{-1}\approx0.368$”的方向。这是诊断阈值，不是检索正确的充分条件，也不是原始 token 存储容量的精确计数。（Sec. 2，p. 3）

**教学例子，非实验数据**：假设每步在某方向保留 0.9999，8,000 步后约剩 $e^{-0.8}=0.449$，32,000 步后约剩 $e^{-3.2}=0.041$；它可以满足较短任务的阈值，却无法满足较长任务。这个例子只解释累计衰减，不包含真实模型的方向变换。

### 2.3 有慢通道，还必须写进去

将针位置的更新重排为

$$
\mathbf S_i=\alpha_i\mathbf S_{i-1}+\mathbf k_i\Delta\mathbf v_i^\top,
\qquad\Delta\mathbf v_i=\beta_i(\mathbf v_i-\alpha_i\mathbf S_{i-1}^\top\mathbf k_i).
$$

在固定实现轨迹的分析里，该残差写入经后续转移得到 $\boldsymbol\Phi_{i\to j}\mathbf k_i\Delta\mathbf v_i^\top$。若 $\boldsymbol\Phi=\mathbf U\boldsymbol\Sigma\mathbf V^\top$，进入慢输入子空间的比例为

$$
E_{\rm write}=\frac{\|\mathbf V_{\mathcal S_\ell}^\top\mathbf k_i\|_2^2}{\|\mathbf k_i\|_2^2}.
$$

$E_{\rm write}\in[0,1]$，只衡量 key 的方向对齐；它不包含残差 value 的大小、未来 query 的读出对齐或多次写入干扰。因此它能支持机制解释，但单独不能预测检索准确率。（Sec. 3.2，p. 4；App. B.1，p. 13）

### 2.4 初始化：围绕全局均值缩放

对每个待处理的 α 投影矩阵，计算其所有元素的全局均值 $\mu_\alpha^{\rm ref}$；$\mathbf J$ 为同形状全 1 矩阵。

$$
s_1=\sqrt{L_{\rm ref}/L_{\rm tar}},\qquad
\mathbf W_\alpha^*=\mu_\alpha^{\rm ref}\mathbf J+s_1(\mathbf W_\alpha^{\rm ref}-\mu_\alpha^{\rm ref}\mathbf J).
$$

这保留权重均值、收缩权重偏差，不是直接把 α 门值乘以 $s_1$，也不是逐行中心化。固定输入时，投影可写成 $\mathbf a_t(s_1)=\mathbf c_t+s_1\boldsymbol\xi_t$，其中 $\mathbf c_t=\mu\mathbf J\mathbf h_t$。

门控参数化为

$$
\alpha_t(s_1)=\exp[-e^{A_{\log}}\operatorname{softplus}(c_t+s_1\xi_t+b_{dt})].
$$

附录 A.1（p. 12）说明 $A_{\log},b_{dt}$ 在这些实验中固定于预选值。减小 $s_1$ 时：$\xi_t>0$ 则 α 增大、遗忘变慢；$\xi_t<0$ 则 α 减小、遗忘变快。Lemma 1 是逐 token 单调性结论，**既不保证每个头都变慢，也不保证一定同时出现变慢和变快的头**。（Sec. 4.1，pp. 4–5；App. D，pp. 15–17）

固定隐藏轨迹、β 和 key 后，同一头所有有限衰减率有共同位移；真实多层网络修改上游 α 会改变后续隐藏状态，所以不能把这一精确的局部结论当作全网恒等关系。

### 2.5 为什么是平方根？

附录 C（pp. 14–15）以 $s=0$ 的中心化响应作分析基准，定义长度 $L$ 上累计 log-retention 偏移 $\Delta_L(s)$，以及其跨输入方差 $\mathcal D_L(s)$。假设中心化的逐 token 响应累积方差为 $\Theta(L)$，且在所考虑的数据和缩放范围内一致成立，则

$$
\mathcal D_L(s)=\Theta(s^2L).
$$

令 $\rho=L_{\rm ref}/L_{\rm tar}$，在幂律族 $s_k=\rho^k$ 中，目标与参考方差之比为 $\Theta(\rho^{2k-1})$。使扩展比例变大时该量级不爆炸也不消失，要求 $k=1/2$。

“最优”因此是**给定幂律族、累计方差增长假设和尺度匹配目标下的指数选择**，不是直接对检索损失求全局最优。权重元素中心化也不自动意味着激活 $\xi_t$ 的加权时间均值为零。作为本次分析：若长期相关性让累计方差偏离线性增长，上述推导就需要重新检验。

### 2.6 训练：只降低 α 投影学习率

$$
\eta_\alpha^{\rm tar}=s_2\eta^{\rm tar},\qquad s_2=s_1.
$$

其余可训练参数按原学习率继续目标长度持续预训练（continual pretraining，CPT）。固定单层输入、有界更新方向与局部敏感性时，Theorem 1 / App. E.7 给出

$$
|\gamma_\alpha^{(u+1)}-\gamma_\alpha^{(u)}|
\le C_\alpha s_2\eta+O((s_2\eta)^2).
$$

这个界限制整个头的共享谱移动速度，保留其他分支调整方向性转移和写入的能力。正文余项写作较松的 $O(s_2^2\eta)$；附录在 $0<\eta\le1$ 下解释了它与二次余项的关系，不能简单认定二者冲突。（p. 5；pp. 17–20）

附录 E 进一步把一次训练更新引起的状态变化分成 α、β、key、value 四类驱动力，经原轨迹的 $\boldsymbol\Phi$ 向后传播。α 学习率缩放同时影响均值分量 $\Delta c$ 和偏差分量 $\Delta\xi$；训练时并不冻结均值。长度一致的高阶余项界还需累计二阶敏感性有界。

**教学用流程**：8K→32K 时 $s=0.5$；8K→128K 时 $s=0.25$；32K→128K 时 $s=0.5$。每次扩展从该阶段的参考 checkpoint 重新计算均值和长度比。先改权重，再设置独立优化器参数组，再进行 CPT。推理使用训练后的普通 GDN，无需在线做 SVD。论文实现拆分融合的 `in_proj` 并用自定义 kernel 融合前后向；没有给出量化吞吐或耗时收益。（Algorithm 1，p. 4；App. G.2，p. 25）

### 2.7 联合保证：哪些条件才能让慢谱带真的变宽？

Theorem 2 定义 $D_r=\gamma_r^{\rm ref}-\gamma_r^{\rm after}$，于是 $D_r\ge\gamma_r^{\rm ref}-1/\ell$ 即可进入慢谱带。单看正文，这是阈值条件；实质性的充分条件在附录 F（pp. 20–25）：

1. **正初始化裕量**：令 $b_t=c_t+b_{dt}$，$\kappa_t$ 为 softplus 在相关线段上的最小二阶导数，$M=\sum_t\sigma(b_t)\xi_t$、$V=\sum_t\kappa_t\xi_t^2$。若 $V>0$ 且 $M\ge-(1+s)V/4$，累计标量衰减减少量满足 $g\ge G=e^{A_{\log}}(1-s^2)V/4>0$。证明使用凸性积分，不依赖截断 Taylor 展开。
2. **全网扰动预算**：选择 $G\ge g_\star>0$，对已实现的训练轨迹要求 $|P^{(u)}-\widetilde P|\le g_\star/4$，且 $\|\mathbf R^{(u)}-\mathbf R^{\rm ref}\|_2\le a(1-e^{-g_\star/4})$。$P$ 是累计标量衰减，$\widetilde P$ 是参考轨迹上初始化后的量，$a$ 是参考方向乘积的奇异值下界。
3. **正位移与计数**：对 $\sigma_r(\mathbf R^{\rm ref})\ge a$ 的排序奇异值，可得 $D_r^{(u)}\ge g_\star/(2\ell)$。取 $a=e^{-(1+d)}$、$0<d\le g_\star/2$，原慢模态保持慢，原来 $1<\ell\gamma_r^{\rm ref}\le1+d$ 的近边界模态进入慢带；该候选集合非空时才是严格扩张。
4. **预算如何维持**：初始扰动须有正剩余裕量；局部可微、key 归一化前非零，硬 MoE 路由需处于固定路由区域；全参数累计更新范数须不超过给定半径。仅把 α 学习率乘 $s$ 并不自动控制上游层及其他参数的全部变化。
5. **快分量另行保证**：慢带扩张的下界不自动给出快头保持。一个简单充分条件是 $\widetilde P-b_\alpha>1/\tau_0$；当 $\tau_0=0.1$ 时右侧为 10。只对通过条件认证的参考快头成立。

附录 F.7 给出非空构造：$g_\star=0.05,d=0.02,s=1/4$，参考近边界模态 $\ell\gamma_r\approx1.016455$ 在保证至少 0.025 的位移后进入慢带，同时另一个 $P=11$ 的快头仍保持快。这证明充分条件可以同时成立，**不是对实际 10B/20B 训练运行逐步验证这些条件**。排序奇异值的索引也不等于跨 checkpoint 跟踪同一个奇异向量。

## 三：实验——区分诊断模型、主模型与纯 GDN

### 3.1 谱诊断协议

按附录 B.2–B.3（pp. 13–14）：从 4K checkpoint 分别扩展到 8K 与 32K；配对的 Low/High 组训练数据、随机种子、学习率相同，High 增加 α 初始化重参数化。分析混合模型的 12 个 GDN 层×8 个 key 头，共 96 个层头。针位于 0.2/0.4/0.6/0.8，查询在结尾；8K 的依赖距离为 6535/4896/3258/1619，32K 为 26195/19642/13088/6535。前向 BF16，转移乘积及 SVD 用 FP64。

$H_\ell^{\rm slow}$ 计至少有一个慢模态的层头数，$M_\ell^{\rm slow}$ 计全部慢方向数；二者在最长针—查询距离报告。$E_{\rm write}$ 在全部 96 个层头和四个针位置上平均，无慢模态的头记为 0。NIAH-3 Avg. 为 Single-1/2/3 平均，越大越好。

**协议歧义**：Table 1 图注（p. 3）称 Low 为原始“pure GDN model”，附录 B.2 则明确写 hybrid、96 个层头及 CPT 对照。本笔记采用更具体的附录协议介绍，但不替作者消除这处矛盾，也不把该组结果与 Table 6 的纯 GDN 实验混用。

### 3.2 主实验设置

| 项目 | 原文报告 |
|---|---|
| 模型 | 1.5B-A0.6B GDN-MoE，16 层，隐藏维 1024 |
| 混合架构 | 每四层一层全注意力，GDN:全注意力=3:1 |
| GDN 配置 | 卷积核 4，key/value 维度 128，8 key 头、16 value 头 |
| MoE | 160 专家，top-8，专家隐藏维 128，SwiGLU |
| 基础预训练 | Dolma3，500B token，8192 窗口；global batch size 1024 |
| 优化器 | Muon，Nesterov，基础学习率 $8.6\times10^{-4}$；weight decay 0.1，梯度裁剪 1.0 |
| 扩窗 | 32K:10B；64K/128K:直接 20B 或经 32K 的 10B+10B |
| 扩窗批量 | 原文写固定 8M tokens，恒定学习率调度 |
| 位置编码 | 默认全注意力用 ABF 调 RoPE；GDN 用 NoPE |
| RoPE base | 基础 10,000；32K 为 1,000,000；64K 为 10,000,000；128K 未明确列出 |

数据方面，32K CPT 从 Longmino 采样，32–64K 长序列约占 25%，8–32K 占 8%；64K/128K 设置中 64–128K 占 30%，8–64K 占 4%，其余为 mid-training 数据。作者说明超过 128K 的长序列不足，主要以 64K 为实验重点。（Sec. 5.1，p. 6；App. G，p. 25）

Baseline 为同类扩窗 CPT、不采用 SpectralShift 的对照；混合模型默认仍有位置编码调整。General Avg. 汇总 MMLU、LAMBADA、ARC-Easy、WinoGrande、PIQA；RULER 衡量合成长上下文能力，另报告 DROP、RACE。表中分数均以更高为好。论文未完整说明 RULER 总分与 Table 10 九个显示类别之间的聚合权重，不应直接取九列平均替代原总分。DROP/RACE 的评测模板和详细评分实现也未在文中展开。

## 四：结果——支持什么，不能推出什么

### 4.1 慢容量与写入对齐同步改善

| 窗口 | $H^{slow}$ Low→High | $M^{slow}$ Low→High | $E_{write}$ Low→High | NIAH-3 Avg. Low→High |
|---|---:|---:|---:|---:|
| 8K | 18→22 | 1036→1308 | 0.1006→0.1503 | 8.60→32.93 |
| 32K | 15→19 | 984→1109 | 0.0964→0.1819 | 10.07→30.47 |

来源：Tables 1–2，pp. 3–4。两种窗口均出现更宽的慢带和更大写入重叠。该配对实验与提出的机制一致，但没有独立固定容量并干预对齐，因此不能拆出两个因素各自贡献多少。

快头用 $\tau_1=-1/\log\sigma_1(\Phi)<0.1$ 定义，即该头最慢方向也足够快。8K 快头数 4→5，32K 为 5→5。（Table 8，p. 14）这支持“仍保留极快分量”，不能证明所有快模态数量和功能完全不变，也不能证明原有每个快头身份都保持。

### 4.2 主结果：目标长度均有收益，幅度取决于训练路径

| 目标长度 / CPT 预算 | 目标点 RULER Baseline | SpectralShift | 差值（分） | General Avg. Baseline→方法 |
|---|---:|---:|---:|---:|
| 32K / 10B | 40.6 | 45.8 | +5.2 | 54.3→53.1 |
| 64K / 10B+10B | 41.6 | 45.4 | +3.8 | 55.0→55.6 |
| 64K / 20B | 46.4 | 48.4 | +2.0 | 54.8→55.0 |
| 128K / 10B+10B | 43.1 | 44.6 | +1.5 | 53.7→54.8 |
| 128K / 20B | 41.9 | 42.2 | +0.3 | 52.9→54.0 |

来源：Table 3，p. 6。所有这些目标点均提升，但不能据此保证任意窗口内都提升：64K / 20B 在 **16K 评测**时方法为 59.7，baseline 为 60.5。32K 训练的 General Avg. 还下降 1.2 分，DROP 从 22.3 降到 21.5。

128K 两阶段的完整 RULER 序列（8/16/32/64/128K）为：方法 64.6/60.1/56.7/49.9/44.6，对照 64.3/57.2/51.9/45.4/43.1；均值分别 55.18 和 52.38。这里 +5.35% 是 $(55.18-52.38)/52.38$，不是 +5.35 个百分点。

路径也重要：128K 方法的两阶段结果明显优于直接 20B；但 64K 的目标点直接 20B 更高（48.4 vs 45.4），所以不能说分阶段总是更优。

### 4.3 消融：初始化和学习率配合更可靠

Table 4（p. 7）单独报告 8K→128K 消融。为避免原文把长度比也叫 $s$ 的符号冲突，下表用 $\rho=L_{ref}/L_{tar}$。

| 配置 | General | R-8K | R-32K | R-64K | R-128K |
|---|---:|---:|---:|---:|---:|
| 不重参数化、不缩学习率 | 54.0 | 57.6 | 47.4 | 43.6 | 42.8 |
| 仅初始化，$\rho^{0.25}$ | 55.1 | 60.0 | 49.1 | 41.2 | 38.4 |
| 初始化+LR，$\rho^{0.25}$ | 54.9 | 61.8 | 50.0 | 42.1 | 40.7 |
| 仅初始化，$\rho^{0.5}$ | 54.1 | 61.4 | 50.6 | 43.5 | 39.8 |
| 初始化+LR，$\rho^{0.5}$ | 54.3 | 63.8 | 52.5 | 48.5 | 42.9 |
| 初始化+LR，$\rho$ | 52.2 | 61.3 | 51.4 | 43.5 | 40.1 |

平方根组合在各 RULER 长度列中最高；相对仅平方根初始化，R-64K 提高 5.0 分、R-128K 提高 3.1 分。可是相对无方法的消融 baseline，R-128K 只有 +0.1，不能概括为 128K 大幅提升。更强收缩伤及一般能力。**缺少“只降学习率、不改初始化”的独立行**，所以表格支持组合优于只初始化，但未完整隔离两种模块各自的必要性。该表 baseline 与 Table 3 不同，不能把两表行拼接成同一次对照。

### 4.4 位置编码兼容性

Table 5（p. 7）在最大评测长度报告的方法与 baseline 差值：

| 扩窗 | DroPE | YaRN | ABF |
|---|---:|---:|---:|
| 8K→32K，评测 32K | +1.0 | +0.2 | +5.2 |
| 32K→64K，评测 64K | +1.1 | +1.0 | +6.3 |

这是“可以和不同全注意力位置编码策略结合”的证据，但并非各长度都改善：8K→32K 的 YaRN 在 8K 是 54.3 vs 57.1，在 16K 是 47.1 vs 47.4；32K→64K 的 DroPE 在 8/16/32K 也略低。

**跨表冲突须保留**：Table 5 的 32K ABF DROP 写 25.1/25.9，而 Table 3 对应行是 21.5/22.3；Table 5 的 64K ABF RULER 列为 59.7/52.7/45.4/38.5（方法），而 Table 3 两阶段行为 64.0/59.7/52.7/45.4。前者部分数字呈错一列的对应关系，但原文未解释，不能自行纠正或断言只是排版错误。主结果采用 Table 3；兼容性按 Table 5 的表内比较陈述。

### 4.5 纯 GDN：有方向性证据，但绝对成绩仍低

| 扩窗 | Baseline | SpectralShift | 差值 |
|---|---:|---:|---:|
| 4K→8K | 11.11 | 11.96 | +0.85 |
| 4K→16K | 8.00 | 11.25 | +3.25 |
| 4K→32K | 6.43 | 10.63 | +4.20 |

来源：Table 6，p. 8，指标为 **RULER Single-1**，不是完整 RULER 总分。32K 相对提升约 65.3%，但从很低的 baseline 出发，不代表已实现高可靠检索。正文把纯 GDN 配置指向附录 G，附录主要给出混合架构，独立纯 GDN 的完整训练配置并不清楚。

### 4.6 分任务与一般能力：平均数掩盖了什么？

Table 9（p. 26）显示 32K 方法的 LAMBADA 43.4 vs 46.7，WinoGrande 51.3 vs 53.5；不能把一般能力写成“无损”。128K 两阶段的五项平均为 54.78 vs 53.68，与主表四舍五入一致，但 MMLU 仍是 37.8 vs 38.0。

Table 10（p. 27）的 64K 直接 20B 在目标点，多 key 任务 48.1 vs 31.9、变量追踪 24.6 vs 11.3 有收益，而多 query 为 35.4 vs 55.4、多 value 为 37.5 vs 61.2，出现显著任务间取舍。128K 直接 20B 的变量追踪在 32/64/128K 都为 0.0，对照为 18.1/19.5/19.2。128K 两阶段在目标点多 query 和多 value 上升，但变量追踪从 22.5 降到 10.5。这些结果限制了“所有检索能力都改善”的说法。

附录 I（pp. 26、28；Table 11）报告所谓 RULER evaluation variance，例如 128K 两阶段在 128K 为 0.0702 vs 0.0636。文中未明确运行次数、方差统计单位、是否跨训练种子及置信区间计算方法；不把它换算为标准误或用来断言 0.1/0.3 分差异显著。

## 五：结论——最值得带走的认识与复现重点

论文最有用的贡献，是把 GDN 扩窗从单纯的训练长度问题推进到**有限时间谱的容量、写入对齐及优化保持**问题，并给出工程改动较小的训练方案。其主表支持若干扩窗路径下的目标点改善；条件性理论解释了为什么可以扩张慢带，同时保留部分快头。

边界同样明确：验证主要在 1.5B MoE 上；没有大规模模型或百万上下文验证；谱诊断样本有限且有模型描述冲突；理论预算没有在实际长训练中逐步认证；缺少只改学习率的消融；一般能力与分任务结果存在下降；“高效”没有配套的吞吐、显存或训练耗时对照。混合模型仍有全注意力层，也不能将整个模型都称为纯线性复杂度。

**如果要复现，优先确认四件事**：第一，分开 4K 谱诊断与 8K 主模型设置；第二，核对 α 分块、均值计算和 Muon 参数组在拆分后的更新尺度；第三，在同训练预算、同位置编码下补齐只调 LR 的对照；第四，同时记录任务点 RULER、各子任务、一般能力及慢/快谱指标，避免只追平均分。128K RoPE base、纯 GDN 配置、评测统计口径与上述跨表差异需要作者代码或进一步说明才能消除。

可用于组会讨论的问题：平方根规则在强相关长文档上是否仍满足方差假设？$E_{write}$ 改善是否只是子空间变宽的自然结果？若采用读出对齐与多写干扰指标，能否解释 multi-query/multi-value 的下降？这些是本次阅读提出的后续问题，不是论文已经验证的结论。