挑战Transformer架构：受DNA启发的几何代数模型实现显存恒定

该研究提出基于 Clifford 几何代数 Cl(4,1) 的新型神经网络架构，试图解决传统 Transformer 将 Token 语义与上下文状态混合的根本缺陷。通过将向量分离为承载原始语义的“不变核”和承载推理状态的“等变分量”，实验证实了数学上的严格隔离性。初步测试显示，该架构显存占用不随序列长度增长，有望为长文本推理和模型可解释性提供突破性思路。