让弱匹配在汇总前少出力
本页问题
此处回到原始key匹配分数[1,0.6]，不使用W*的输出。对分数逐项施加ReLU不改变这两个正数，再平方得到[1,0.36]，最后才汇总value。输出由v_A+0.6v_B变为v_A+0.36v_B。顺序决定含义：处理每条关联的响应与处理混合后的内容坐标不同；本页也没有将分数归一化为概率。
AR05/b0 · 回到原始分数，不接 W* 的答案
刚才改的是怎样写入。现在走另一条路，明确回到最初两条key的匹配分数：A是一，B是零点六。这里没有接着把W星的正确答案做平方，也不重新训练W。我们保留每条匹配，在它们汇总成答案之前，单独改变每条内容能够贡献多少。
进一步解释
本页从联合拟合路线退回原始K/V匹配，以隔离读取规则的作用。始终不使用W*输出作为非线性函数的输入。
教师备课：指图与模拟问答
指图与推进 · 不朗读指原始分数[1,0.6]，从匹配位置重新开始。
AR05/b1 · ReLU不变，平方才压小正数
ReLU先把负分数截成零；不过眼前两个数都为正，因此只做ReLU并没有改变它们。再平方，一仍是一，零点六变成零点三六。目标保持，较弱的正匹配相对下降。顺序很关键：先对每项响应做非线性，再汇总value；不是对已经混在一起的输出做一次平方。
教师备课：指图与模拟问答
指图与推进 · 不朗读沿分数→ReLU→平方，分别核验1与0.6的变化。
AR05/b2 · 比较实际贡献，B仍然存在
于是同一查询从一份A加零点六份B，变成一份A加零点三六份B。B并没有消失，只是少贡献了一些。我们现在获得的是选择性的具体机制，不是一个能保证任何数据都检索正确的开关。把刚才发生的三个动作连起来：比较线索、逐项非线性、再汇总内容，看看它像哪一种已经见过的网络。
教师备课：指图与模拟问答
指图与推进 · 不朗读在同一尺度下比较两次A/B贡献；停在B仍非零。
接下来
匹配、非线性、汇总三个操作连起来，是什么网络？
补充推导、边界与来源
本页未归一化。$f(x)=\sum_i v_i\sigma(k_i^\top x)$；平方ReLU是$\max(s,0)^2$。
与本页直接相关的完整材料
- AM09 · 弱匹配经过非线性，能少贡献一些：原图、逐态说明与已校准推导。
条件、推导与来源
AM09 · 弱匹配经过非线性，能少贡献一些
线性写入仍有边界；现在回到原始相似度，只改读取规则。
f(x)=Σᵢvᵢσ(kᵢᵀx)；本页没有归一化。平方ReLU是max(s,0)²，不是对所有带符号相似度直接平方。负相关项先被截断，避免把强负匹配变成强正贡献。
来源与继续阅读
M03 原阅读材料。旧阅读材料保留自身的算例与记号；不要将旧三条目行向量例与本节两条目列向量例混算。
本页证据与条件
两条关联的教学构造；线性代数按列向量约定