本研究探讨了大语言模型中语言与简单算术技能的分离，分析结果显示简单算术方程与普通语言输入在模型内部的表征空间中完全分离，支持了人脑神经科学的观察。

最新研究揭示了Transformer层的信息流动机制，发现中间层共享一个表征空间，但与最前面和最末尾的层具有独立的表征空间。实验发现，省略部分中间层对整体性能影响不大。中间层执行不同功能，层的顺序对性能有一定影响，但随机顺序性能优于逆序。并行运行中间层对大多数任务有帮助，迭代执行并行层可以提高性能。重复单一层效果最差，迭代并行和随机层顺序性能退化最小。

本文讨论了图神经网络（GNNs）的表征空间和图卷积滤波器的作用，介绍了扩展了边变量和自回归移动平均图滤波器的GNNs以及在推荐系统和学习机器人群体的分散式控制器中使用GNNs的研究。