VALSE：用于大语言模型高效推理的纵向自适应层跳过

基于摘要分析。该研究针对大语言模型推理中不同输入所需计算深度不同的问题，建立纵向自适应层跳过的理论框架，并提出逐样本、非连续跳层方法 VALSE，使输入可跳过任意中间层而仍保留更深层的计算。 机制上，轻量级难度估计器利用前几个层对输入评分，再由逐层门控选择性跳过被判定为冗余的层，仅激活该输入所需的深度。摘要未说明难度估计器与门控的训练方式、监督信号、损失函数及部署实现，这些细节尚未验证。 理论贡献包括：作者给出 Expected FLOPs 闭式公式，以逐层跳过概率描述任意逐样本跳层计划的计算成本；作者报告函数空间包含与严格包含结果，指出跳层模型的函数空间严格包含于完整层模型的函数空间，并提供区分两者的显式例子，同时讨论其近似能力；作者还提出 VALSE 与 Mixture-of-Experts 的结构对偶，将纵向深度稀疏视为横向宽度稀疏的正交对应。相关结论的假设条件、适用架构及近似误差界需结合全文核对。 作者报告仅在原型规模上初步评估了方法可行性。摘要未提供模型、数据集、任务、基线或性能数值，实验协议、消融及统计信息尚未验证。阅读时应重点区分理论 Expected FLOPs 与实际延迟收益，并核对跳层后的任务质量、门控开销及其随输入难度变化的表现。 材料未提供 EEG 或 BCI 验证，已有 EEG 相关工作尚未检索确认；目前不宜将其高效推理结论直接外推到脑信号模型。