大利 SISSA Medialab 與瑞士 EPFL（洛桑聯邦理工學院）聯合研究，首次從理論角度驗證：「Transformers」神經網路在訓練過程中會出現如同物理相變的轉折點，初期階段以「位置」為依據理解語句，當訓練資料量足夠後，模型會突然切換到以「語意」為核心的理解方式。此突破性發現有助於打造更高效、安全且具可預測性的 AI 模型。
Transformers 是目前自然語言處理（NLP）主流模型，其深層自注意機制可同時處理語句中的位置訊息與內容語意。過去研究多以實務觀察方式指出位置／語意機制的切換，然而該機制何時且如何觸發一直不明顯。
為填補知識黑洞，SISSA Medialab 與 EPFL 的 Hugo Cui、Freya Behrens、Florent Krzakala 和 Lenka Zdeborova 等人在 arXiv 發表研究，透過「可解析的自注意力模型」（dot-product attention），證明具有位置編碼（positional encoding）的 Transformers 在接近某臨界資料量後，會以類似相變（phase transition）的方式重構其注意機制：從純位置相依切換到語意相關權重結構，並以封閉形式描述這一臨界行為。
根據研究，當訓練樣本與資料維度比例達到某特定臨界值後，全局最小化的 loss landscape 將從「位置相關注意」態翻轉為「語意相關注意」態，這意味模型能跳脫對詞序依賴，開始理解句子語意結構。研究團隊透過理論解析與模擬驗證，畫出臨界切換線，清晰揭示兩種機制間的「相變」關係 。
