本图谱中的技术并非口口相传——每项都有原始文献。下表汇集了语料中引用的注意力变体、归一化方案、位置编码与 MoE 设计的原始论文。
arXiv:1706.03762
arXiv:2005.14165
arXiv:1911.02150
arXiv:2305.13245
arXiv:2104.09864
arXiv:2309.00071
arXiv:1910.07467
arXiv:2002.05202
arXiv:2302.13971
arXiv:2307.09288
arXiv:2407.21783
arXiv:2310.06825
arXiv:2401.04088
arXiv:2101.03961
arXiv:2401.06066
arXiv:2405.04434
arXiv:2412.19437
arXiv:2501.12948
arXiv:2412.15115
arXiv:2505.09388
arXiv:2106.16239
arXiv:2501.08313
arXiv:2502.11089
arXiv:2205.14135