十倍之才者渐趋中庸，

法兰西斯·高尔顿于1886年命名此现象^[1]，彼时觉异高之亲者，其子近于常。大语言模型本就为回归之器。解码之途，取提示最然续，此即训练分布之均，依汝所书而变。

其效非均。于常务，十倍之工成百倍；于新务，同工为之下坠，成均而所出之码，似是而非。模型不知尔为谁。

败象如何

一注解述其行。汝所能言者，惟已知之事耳。

吾曾用ICML 2026之纸^[二]其贡献乃一注目之核式。吾剥其实现，送DeepSeek V4 Pro以签名为docstring，复录其完成之logprobs。

import torch
import torch.nn.functional as F

def spherical_attention(Q, K, V):
    """
    Attention with spherical-constrained Q, K and positive scoring kernel.

    Queries and keys are normalized to the unit sphere. A positive kernel
    function maps the cosine similarity between query and key directions
    to an attention score. Scores are normalized per query and used to
    weight V.

    Args:
        Q, K, V: (batch, heads, seq, head_dim) tensors.

    Returns:
        Attention output of shape (batch, heads, seq, head_dim).
    """
    Q = F.normalize(Q, dim=-1)
    K = F.normalize(K, dim=-1)
    S = torch.einsum('bhqd,bhkd->bhqk', Q, K)
    C = 2.0 + 1e-6
    S = S**2 / (C - 2*S)                      # Yat-kernel
    A = S / S.sum(dim=-1, keepdim=True)
    O = torch.einsum('bhqk,bhkd->bhqd', A, V)
    return O

七行如一，唯有一异：纸所书处。S**2 / (C - 2*S)（耶特核，论文之贡献），模型所书torch.relu(S) + 1e-6此模型取自常用正函数：ReLU、softplus、exp。Yat-kernel不在候选之列。

授之公式则得之。知公式则无需模型。承重之线代码结构虽正，公式却谬。

其无败处也

二零二六年五月，OpenAI之推理论理模型，证伪了爱多斯单位距离猜想。^[四]，乃组合之题，自一九四六年悬而未决。DeepMind之AlphaProof Nexus，于同周内解九题于三百五十三悬而未决之Erdős之题[5]^[5]。

二者所用之结构同：模型生候选之构，Lean，一形式证明之检，核之每一者。证明成则成，不成则不成。看似AI解新数学，实乃于有真谛之神谕之域中搜求。

核之实验无神谕。模型生一完成，无物验之，而最或然之符为ReLU。对数概率显其线之不决；模型知其处尾。然无验者之不确定，终归为最或然之符。

何为永存

汝或期此自解：刊文于世，则次模因之而训，其隙自弥。然此亦半焉耳。盖前沿恒踞于截断之域，而至要之业，竟不彰于众。HFT定价之理，FAANG之基构，银行风险之系，皆囿于司垣之内^[6]。恒有遗尾，而卓绝之工，实处其间。

稀有乃诊断之要。标准应用之码，居分布之中心，而模型提之。稀有之式，处尾端，模型未能深学之。^{【文言文翻译】 【三】}乃作物与之形同，而自矜其谬。

工于持锐者，自知何线有功。模型则不然。若汝委决于何线为要，则汝自堕于退步矣。

引据

1. 维基百科。回归于平均 | 发现。维基百科。
2. 卢娜、布赫辛、与乔罗曼斯基。斩：几何感知球面线性化注意力，以雅核。arXiv:2602.04915，二六六。ICML二六六。
3. 坎德帕尔等大语言模型难习长尾知识。arXiv:2211.08411，二二三。ICML二二三。
4. OpenAI。《论单位距离猜想之证伪》.arXiv:2605.20695，二二六年.
5. Google DeepMind.AlphaProof Nexus.arXiv:2605.22763，二二六年.
6. 阿哈迈德等.《考闭源与开源数据之LLM效能》 arXiv:2402.15100，二四四年。