BoV：深层 Value 真的需要残差流中的上下文吗？
论文：Do Value Vectors in Deep Layers Need Context from the Residual Stream?
作者：Muyu He、Yuchen Liu（共同一作）、Qingya Huang、Li Zhang。
版本：arXiv:2606.02780v5，2026-08-23 修订；本次获取与研读：2026-09-17。
材料：arXiv v5 · 本地原文 PDF · 作者主 TeX · 作者代码链接。
本次读取主 TeX 实际引用的全部正文章节、附录 A/B 和八张表，并用同版本 PDF 核验五张图、关键公式及结果。PDF 实际为 14 页，与摘要页“13 pages”的说明不同；下文一律采用从 1 开始的 PDF 文件页码。未运行作者代码、未复现实验，也未独立阅读全部参考文献。源码获取成功，无下载限制。
论文总览
这篇论文研究的是一个具体的架构问题：Transformer 后部层的 Value 是否必须从已经混合上下文的残差流计算？作者先做消融，发现对于所测试的小型语言模型，深层 Value 使用原始 token 信息就能取得主要收益，再把这种与序列上下文无关的 Value 参数化为逐层词表，提出 Bank of Values（BoV）。
BoV 在最后三分之一层以 token ID 查询该层专属的 Value 表，取代 $\mathbf{x}_i\mathbf{W}_V$。Query、Key、注意力权重、MLP 和残差路径仍处理上下文。这是对 Value 路径的修改，并没有使整个模型成为无上下文模型。
最扎实的结果是：780M 档模型固定训练 100B tokens 后，验证 BPB 从 0.671 降至 0.663，21 项 CORE 聚合分从 0.334 升至 0.351，16 项任务提高、5 项下降。按作者 FLOPs 统计，训练计算量从 $4.78\times10^{20}$ 降为 $4.66\times10^{20}$，约减少 2.51%。这些结果支持特定训练配置中的有效性，尚不构成大模型、长上下文能力或端到端推理提速的验证。（Sec. 5，Table 2，PDF p. 6；Table 6，p. 13）
结构地图
| 原文章节 | 作用 | PDF 页码与证据 |
|---|---|---|
| 1 Introduction | 区分“补充 token 信息”与“深层只用 token 信息” | pp. 1–3；Fig. 1 p. 2 |
| 2 Preliminaries | 定义残差流与 Q/K/V | p. 3；Eqs. (1)–(2) |
| 3 Motivation | 四个设计轴的 135M 消融 | pp. 3–4；Table 1 p. 3，Fig. 2 p. 4 |
| 4 Bank of Values: Persisting Context-Free Value Vectors as Model Parameters | 查表、推理与内存分析 | pp. 4–6；Fig. 3 p. 5，Eqs. (3)–(6) |
| 5 Experiments；5.1 Main Results；5.2 Comparison with Prior Methods；5.3 Component Design | 训练设置、主结果、对比与组件消融 | pp. 6–8；Tables 2–4，Figs. 4–5 |
| 6 Related Work | 与残差、参数记忆、缓存优化的区别 | pp. 8–9 |
| 7 Conclusion；Limitations | 总结与边界 | p. 9 |
| A Additional Results | 完整 21 项结果，揭示平均分隐藏的退步 | pp. 12–13；Tables 5–7 |
| B Additional Experimental Details | 训练配置 | pp. 12、14；Table 8 p. 14 |
一：动机——把“在哪些层替换”与“替换什么”分开
普通注意力让 Q/K/V 都来自残差流。Q/K 决定当前 token 应该关注哪些位置，Value 决定从那些位置搬运什么内容。作者认为深层残差表示可能稀释原始 token 身份信息，因而重新提供 token 信息有价值；“稀释”是作者的动机解释，本文没有给出足以完整证明这一机制的理论或因果分析。
已有方案有两类：一类向当前 Value 加入首层 Value 或 token embedding；另一类把首层 Value 直接复制到后续所有层。后一类效果差，可能来自浅层也被替换、不同层共享同一投影等因素，不能直接推出深层必须保留上下文 Value。因此作者同时考察四个轴：替换/相加、固定/可学习系数、逐层 $\mathbf{x}_0\mathbf{W}_V$ /共享 $\mathbf{V}_1$、最后三分之一/隔层/全部层。（Sec. 3，pp. 3–4）
二：方法——把深层 Value 变成可训练的 token 表
2.1 符号与上下文路径
| 符号 | 含义与维度 |
|---|---|
| $T,d,H,d_h$ | 序列长度、隐藏宽度、头数、每头宽度；$d_h=d/H$ |
| $\mathbf e,\mathbf x_0$ | token embedding 与其 RMSNorm，均为 $T\times d$；单个 token 本身不含序列上下文 |
| $\mathbf x_i$ | 第 $i$ 层注意力输入，包含前层累积的上下文信息 |
| $\mathbf W_Q,\mathbf W_K,\mathbf W_V,\mathbf W_O$ | 本文多头注意力设置下的 $d\times d$ 投影矩阵 |
| $\lvert\mathcal V\rvert,\mathbf E_v$ | 词表大小及某个目标层的 $\lvert\mathcal V\rvert\times d$ Value 参数表 |
| $i_p,\gamma_v$ | 第 $p$ 个位置的 token ID，以及每层独立、无界可学习标量 |
原文 Eqs. (1)–(2)，PDF p. 3：
为简洁，公式省略了实际自回归实现中的因果遮罩。BoV 保留 Q/K 的上下文依赖，仅在指定层改变 V。即使两个位置出现同一个 token、查出同一 Value，它们的 Key 仍可不同，被其他位置关注的权重也可不同。
教学例子：假设 token “bank”在金融和河岸语境中使用同一 ID，那么同一个 BoV 层查询到相同 $\mathbf E_v[\text{bank}]$；但两个语境中的 Q/K、注意力输出及残差表示可以不同。这个例子只解释数据流，不是论文的消歧实验。
2.2 从确定性投影到直接学习
原文 Eqs. (3)–(5)，PDF p. 5：
第一个表达式只依赖 token ID 和当前模型参数，与此前序列无关，因此可以用表表达。BoV 并非在每一步训练后重新计算一张缓存表，而是把表本身作为独立可训练参数，并移除目标层的 $\mathbf W_V$。12 层模型修改最后 4 层，24 层模型修改最后 8 层，各层的表互不共享。
初始化用初始 $\mathbf x_0\mathbf W_V$ 填表，使初始前向与“由原始 embedding 投影得到 Value”的方案一致；不能理解为初始前向与普通残差流 Value 的 baseline 一致。之后表、embedding 和其余参数独立优化，原始因式分解关系无需继续成立。无界 $\gamma_v$ 可以大于 1、为 0 或负数，它不是限定在 $[0,1]$ 内的概率门。（Sec. 4–5，pp. 5–6）
原 Fig. 1，PDF p. 2；复用作者原图。从左到右是标准注意力、全层共享首层 Value 的 SVFormer、逐层查表的 BoV。图中的 Q/K 仍来自各层隐藏状态，是理解“context-free”只约束 Value 的关键。
2.3 训练与推理的数据流
训练/prefill：取得当前序列的 token IDs → 在目标层查询本层表 → 乘 $\gamma_v$ → 与上下文 Q/K 一起计算注意力 → 输出投影并加回残差流。表按访问行参与计算；“稀疏访问”并不意味着表的大部分参数值为零。
逐 token decode：缓存 K 和历史 token IDs；执行目标层时，按历史 IDs gather 出全部历史 V，完成注意力后释放临时 V。前面未修改的层仍使用常规 V 缓存。历史 token ID 不依赖深层计算，因此作者提出可以预取表项，并把表放在主机内存；这是实现可能性，本文没有给出 CPU offload 的吞吐或时延基准。
查找行地址可视为常数时间，但搬运一个 $d$ 维向量仍有 $O(d)$ 数据量；重建长度 $T$ 的历史 Value 是 $O(Td)$。所谓少做 FLOPs，主要来自省掉 Value 的密集投影，不能推成“零带宽”“零注意力计算”或“推理必然更快”。（Fig. 3、Sec. 4，PDF pp. 5–6）
2.4 内存公式的单位、分母与边界
原文 Eq. (6)，PDF p. 5：
它按元素个数计：最后 $L/3$ 层原来持久缓存 $Td$ 个 V 元素，现在持久保存 $\lvert\mathcal V\rvert d$ 个表元素。乘每元素字节数才是字节。这个简化口径在单序列、表和缓存同精度、目标层都按长度 $T$ 保留历史的条件下，于 $T=\lvert\mathcal V\rvert$ 打平；nanochat 词表是 32,768，Qwen3 曲线使用 151,936，但并未训练或测试 Qwen3 模型。
本次推导：如果分母取全模型标准 K+V 缓存 $2LTd$，则
极限为 16.7%；若分母仅是全部 V 缓存 $LTd$，极限应是 33.3%。Fig. 5(a) 写“V cache memory saved”，但图中虚线极限约为 16.7%，与前一种分母一致。这是原文的口径歧义，不能引用为“V 缓存最多省 16.7%”而不解释。按 K+V 分母推导，Qwen3 词表在 $T=256\times1024$ 和 $1024^2$ 时约节省 7.0% 与 14.3%；这些是公式估算，不是设备实测。
式 (6) 也没有完整计入目标层临时 $Td$ 张量、token ID 缓存、移除 $\mathbf W_V$ 的权重收益、分配器/内核工作区和优化器状态。多请求可共享参数表，但各有缓存；滑动窗口会改变各层有效历史长度，GQA 会改变 KV 宽度。因此不能直接把图上的百分比用于任意服务负载。表 8 的窗口模式是 SSSL，实际部署尤需按层计算缓存。
本次参数量估算：24 层、$d=1536$、词表 32,768、8 个目标层，新增表共 $8\times32768\times1536=402,653,184$ 个元素，移除投影 $8\times1536^2=18,874,368$ 个元素，净增约 383.8M 参数（忽略少量标量）。bf16 表本身占 768 MiB。论文的“780M 档”不能自动理解为双方都只有 780M 个总存储参数，更不能将 sparse table 当作免费存储。论文未明确单列 BoV 全参数量或训练显存。
三：实验——三种预算不能混在一起
3.1 实验配置与比较角色
| 实验 | 模型与训练预算 | 目的/来源 |
|---|---|---|
| 动机消融与小模型验证 | 12 层、$d=768$、135M 档；$1.50\times10^{18}$ FLOPs；baseline 1.97B tokens | Table 1；Fig. 2；Fig. 4(a) |
| FLOPs 对齐的 780M 对比 | 24 层、$d=1536$；$3.91\times10^{19}$ FLOPs；baseline 8.19B、BoV 8.39B tokens | Tables 3、5；Fig. 4(b) |
| tokens 对齐的主实验 | 780M 档、双方 100B tokens；baseline $4.78\times10^{20}$、BoV $4.66\times10^{20}$ FLOPs | Tables 2、6 |
两个规模均使用 2048 训练序列长度、32,768 词表、bf16、头宽 128；135M 使用 6 个 Q/KV 头，780M 使用 12 个，属于本文等宽 Q/K/V 设置。总 batch 分别是 524,288 与 1,048,576 tokens。矩阵使用 Muon，其余参数使用 AdamW；正文明确 BoV 表的 AdamW 学习率是 0.15。（Sec. 3、5；Table 8）
配置需要保留原文差异：Sec. 5 p. 6 写矩阵 LR 0.02，而 Table 8 p. 14 的 780M 列给 0.0283，并解释 batch/width scaling。表 8 列的是 8.19B 的小预算运行，不是完整的 100B 配置；不能擅自把其迭代数、衰减等全部挪给 100B 运行。源码与 PDF 都保留了这个差异，复现应再核对作者代码配置。本次未执行代码确认。
baseline 是同训练体系的标准注意力。$\mathbf x_0\mathbf W_V$ 用来分离原始 token 信息与直接查表的区别；$\mathbf V_1$ 检验跨层共享；全层 $\mathbf V_1$ 对应 SVFormer 风格；$\mathbf V+\mathbf E_v[i]$ 是保留上下文 Value 的加法方案。最后一种还使用输入相关、有界系数、每隔一层应用，因此 Tables 4/7 并非只改变“加法/替换”一个变量。
3.2 指标及统计口径
验证集来自 ClimbMix 保留集，约 41.9M tokens。BPB（bits per byte）越低越好，衡量按字节归一化的预测编码成本，不能直接当作 token perplexity。
CORE 覆盖 21 项任务：阅读理解、符号问题、世界知识、常识推理和语言理解。正文给出任务中心化分数
其中 $r_j$ 是该任务随机猜测或多数类基线。CORE 越高越好，是等权平均，不能把其 0.017 的提升直接叫作“原始准确率提高 1.7 个百分点”。正文说逐任务报告 centered accuracy，但表中没有逐项列出 $r_j$，原始/中心化单项分数口径不足以独立重算；本笔记保守称为表列任务分数，不自行恢复原始准确率。论文未报告多随机种子误差条、置信区间或显著性检验。
四：结果——按论证顺序读证据
4.1 动机消融：收益来自深层、逐层、可调尺度
Table 1，PDF p. 3；135M 档、等 FLOPs，BPB 越低越好：
| Value 方案 | 目标层/系数 | BPB |
|---|---|---|
| 普通 $\mathbf V$ | baseline | 0.854 |
| 普通 $\mathbf V$ | 最后 4 层、可学习尺度 | 0.858 |
| 共享 $\mathbf V_1$ | 所有层、固定 1 | 0.872 |
| 共享 $\mathbf V_1$ | 最后 4 层、固定 1 | 0.849 |
| 共享 $\mathbf V_1$ | 最后 4 层、可学习尺度 | 0.847 |
| 逐层 $\mathbf x_0\mathbf W_V$ | 隔层、可学习尺度 | 0.849 |
| 逐层 $\mathbf x_0\mathbf W_V$ | 最后 4 层、固定 1 | 0.847 |
| 逐层 $\mathbf x_0\mathbf W_V$ | 最后 4 层、可学习尺度 | 0.845 |
| $\mathbf V+\mathbf x_0\mathbf W_V$ | 最后 4 层、两项固定 0.5 | 0.848 |
| $\mathbf V+\mathbf x_0\mathbf W_V$ | 最后 4 层、分别学习尺度 | 0.845 |
限制目标层非常关键：共享首层 Value 全层替换会退步，只替换后四层则改善。逐层投影与可学习尺度进一步降低损失。加回上下文 Value 后，0.845 与替换式持平；这才是“深层上下文 Value 的额外收益小”的直接证据。它不是对任意层、任意规模或任意任务的普遍证明。
原 Fig. 2，PDF p. 4。横轴是 0-based 层索引 8–11，纵轴为无界系数；(a) 替换式，(b) 与首层 V 相加，(c) 与逐层原始 embedding 投影相加。深层 context-free 分量的系数绝对值通常较大；(c) 最后一层约为负 11，而不是正向概率权重。本次分析：系数大小还依赖向量范数和可重参数化，不能仅凭系数绝对值就当作严格的信息贡献度；应和替换消融一起理解。
4.2 主结果：100B tokens 下平均改善，也有明确退步
Tables 2/6，PDF pp. 6、13：
| 指标 | Baseline | BoV | BoV − Baseline |
|---|---|---|---|
| BPB ↓ | 0.671 | 0.663 | −0.008 |
| CORE ↑ | 0.334 | 0.351 | +0.017 |
| CommonsenseQA ↑ | 0.437 | 0.523 | +0.086 |
| SQuAD ↑ | 0.506 | 0.531 | +0.025 |
| CoQA ↑ | 0.342 | 0.372 | +0.030 |
| Repeat-Copy ↑ | 0.000 | 0.094 | +0.094 |
| Dyck ↑ | 0.087 | 0.154 | +0.067 |
| LSAT-AR ↑ | 0.300 | 0.187 | −0.113 |
| CS Algorithms ↑ | 0.442 | 0.414 | −0.028 |
| Winograd ↑ | 0.766 | 0.740 | −0.026 |
BPB 相对下降约 1.19%；CORE 的绝对提升 0.017，相对基线约 5.09%，是对报告分数的算术比较。16/21 项提高；另外两项退步是 WikiData −0.007、ARC-Challenge −0.003。尤其 LSAT-AR 的下降比多项收益更大，因此不能写成“符号推理全面改善”。
4.3 等 FLOPs 对比：BoV 同时利用了每 token 成本下降
Table 3，PDF p. 7：
| 方案 | BPB ↓ | CORE ↑ |
|---|---|---|
| 标准注意力 | 0.722 | 0.260 |
| BoV，最后三分之一 | 0.714 | 0.272 |
| $\mathbf x_0\mathbf W_V$，最后三分之一 | 0.719 | 0.259 |
| $\mathbf V_1$，最后三分之一 | 0.718 | 0.242 |
| $\mathbf V_1$，所有层、固定尺度 | 0.741 | 0.210 |
BoV 平均分提高 0.012、BPB 降低 0.008；直接投影原始 embedding 虽降低 BPB，却没有提高 CORE。等 FLOPs 下 BoV 看到 8.39B tokens，而 baseline 是 8.19B，约多 2.44%；作者把更多训练数据视作潜在原因之一，并未用独立实验完全分离参数化、优化和 token 数的贡献。
Table 5（p. 12）显示小预算下 13 项改善、8 项下降；COPA、CommonsenseQA、PIQA 此时都略降。不要把 100B 的常识收益搬到 8B 预算。Fig. 4 的横轴是训练 tokens，两条运行在固定 FLOPs 下的终点不必相同；曲线不是等墙钟时间的效率比较。
原 Fig. 4，PDF p. 6。左图 135M，右图 780M，纵轴为验证损失、越低越好。BoV 曲线较低；全层共享首层 V 最差。135M 的 BoV 终值在图中约 0.84，本笔记不将图上近似读数当作论文精确报告值，也不将 Table 1 的 0.845 误记为直接查表 BoV 的结果。
4.4 与加法 Value embedding 对比：接近、互有胜负
Table 7，PDF p. 13（Table 4 p. 7 只选了四项）：
| 指标 | 加法 $\mathbf V+\mathbf E_v[i]$ | BoV 替换 |
|---|---|---|
| BPB ↓ | 0.712 | 0.714 |
| CORE ↑ | 0.268 | 0.272 |
| SQuAD ↑ | 0.439 | 0.416 |
| BoolQ ↑ | 0.594 | 0.635 |
| CommonsenseQA ↑ | 0.259 | 0.324 |
| Winograd ↑ | 0.692 | 0.645 |
完整表逐项计数是 BoV 10 胜、8 负、3 平，并不是 21 项中严格过半胜出；若排除平局则是 10/18。作者正文“most benchmarks”需要结合这个计数理解。最准确的表述是 aggregate CORE 接近且 BoV 略高，验证损失则略差。无种子统计时不能断言 0.004 CORE 差异显著。
4.5 组件设计：不应丢掉逐层表、尺度和深度限制
原 Fig. 5，PDF p. 8。左图横轴为上下文长度、纵轴为声明的缓存节省百分比；分母歧义见 2.4。右图横轴为训练 tokens，纵轴验证 BPB；全层查表的损失明显更高，共享表和固定尺度也退步。添加普通 V 的曲线比 BoV 略低，但改善很小。原图没有给这些曲线终值的精确数值表或误差条，因此只作定性比较。左图是存储公式趋势，右图才是训练实验结果，不能混成“实测长上下文加速”。
五：结论、局限与值得追问的实验
可靠贡献：作者把 Value 的来源、目标深度、共享方式和尺度拆开研究，给出小模型实验证据，表明深层可以依赖 token 专属静态 Value。直接训练逐层表进一步减少密集投影成本，并提供不持久缓存深层 V 的实现路线。100B 固定 token 实验也表明收益不全来自固定 FLOPs 下看到更多数据。
证据边界：只验证 135M/780M 档与 2048 训练长度；没有数十亿规模实验、长上下文质量测试、实测 decode 吞吐/时延、CPU offload 基准、多种子显著性或完整训练显存对照。可以消除目标层持久 V 缓存，不等于消除所有 V 存储；大参数表和临时 gather 仍有成本。
原文值得保留的疑点：Fig. 5 缓存百分比分母；正文与 Table 8 学习率/训练预算范围差异；摘要页与实际 PDF 页数差异；逐任务中心化说明与未提供 $r_j$ 的可复算性；没有明确分列 BoV 的总存储参数量。另一个概念问题是 Sec. 5.2 称直接 $\mathbf x_0\mathbf W_V$ 与 BoV 具有相同表达力，但自由表不再被约束为跨层共享 embedding 的乘积；原文没有形式化证明这种“相同表达力”在联合多层参数化中的严格含义。可确认的是初始化等价与 Value 的上下文无关性。
本次分析提出的后续实验：固定 tokens、固定 FLOPs、固定总参数三种预算分别比较；统一加法/替换方案的层位置和门控后重做消融；报告多种子，单独追踪 LSAT-AR 等退步任务；在不同序列长度、batch、窗口和 KV 头数下测峰值显存与端到端吞吐；在训练未覆盖的长上下文任务中检验质量。上述均为建议，非本文已完成结果。
组会可以围绕一个问题展开：当 Q/K 已携带上下文，深层 Value 是否更适合作为由注意力动态组合的 token 内容库？ 本文提供了支持这一设计方向的实验证据，机制解释和大规模部署收益仍有待验证。