Transformer 默认是「所有层等宽」，但 MIT 的 Yoon Kim 组与 MIT-IBM Watson AI Lab 联合发布的 arXiv 2606.18246 打破了这个假设。 **核心思路：> <former（× 形）** 作者用 × 形（中间细两头粗）替代均匀宽度：浅层和末层维持宽容量，中段收窄，配以"固定全局残差流"机制——各层只读写自己对应的一段残差切片，未使用维度直接 bypass 上一层。这套做法在 200M-2B dense 和 3B MoE 上都跑赢了同参数量均匀基线，相对 perplexity 提升约 3%。 **关键效率收益** - 参数匹配下：训练/推理 FLOPs 降约 3%，KV cache 降约 10% - 拟合 loss-matched scaling 曲线后：FLOPs 总降幅可达 22%，KV cache 总降幅约 15% - 还能缓解"中段表征坍缩"问题，深层不得不做更抽象的特征抽取 **评论** 这条路线其实和 MoE 是同源问题："是不是所有层都需要同样的容量"。MoE 按 token 路由专家，Variable-Width 按层路由容量，两者结合可能才是下一步——既有中间瓶颈层，又有动态激活的专家组合。另一层意义在于，「FLOPs-3% + KV cache-10%」是在同等 perplexity 下换来的，等价于"花同样算力训出更好模型"或"用更少算力训出同款模型"，对中小团队尤其友好。从工程角度看，KV cache 10-15% 的下降对长上下文（256K、1M）部署直接受用。 作者组合也值得注意：Yoon Kim 是 MIT 的 NLP 主力，Polyanskiy 是信息论老炮，Panda 是 MIT-IBM Watson AI Lab 的基础模型 lead，理论深度和工程能力都不弱。代码已开源：github.com/ZhaofengWu/variable-width-transformers。