近期，一篇发表在arXiv上的研究论文（arXiv:2607.26192）对机器学习领域中一个常见的误解进行了澄清：依赖输入的控制器系数经常被错误地当作动态推理或计算效率提升的证据。该研究由Zongfei Li等人完成，旨在区分动态参数化与动态推理这两个概念，并提出一种新的审计方法——冻结控制器审计（Frozen-Controller Auditing, FCA）。
论文指出，依赖输入的系数实际上混淆了三种不同的属性：系数的变化性、冻结模型对系数分配方式的依赖性，以及条件执行（即是否跳过某些计算）。为了准确衡量第二种属性，研究人员提出了FCA方法。该方法首先沿着未受干扰的轨迹缓存完整的系数张量，然后禁用控制器，并通过跨输入重新分配、令牌洗牌以及从独立校准集估计的静态配置文件来重放冻结模型。由于系数在干预之前已被缓存，因此重放过程中的性能变化直接反映了分配依赖性，而不会受到在扰动隐状态上重新计算控制器所带来的反馈影响。
实验部分，研究人员在七个独立训练的76M参数FeatureGate Transformer和三个504M参数模型上进行了测试。结果显示，静态逐层配置文件分别保留了正确与全局均值之间性能差距的98.70%和99.43%。层身份解释了87%至96%的系数方差。值得注意的是，尽管FeatureGate采用了动态参数化，但它仍然执行了每一个Transformer块，并且其实际推理速度比密集模型慢了30.8%。在公开的MUDDPythia-1.4B检查点上，跨输入重新分配和令牌洗牌分别使负对数似然增加了1.9067和2.9637，这表明模型强烈依赖于基于内容的跨层分配。MUDDPythia同样执行了每一个Transformer块。
这些结果强有力地表明，动态参数化本身并不等同于动态推理，功能上的动态性也不一定带来计算节省。研究建议，关于动态模型的声明应分别报告系数变化、冻结模型的功能依赖性以及实际执行情况。该研究为模型评估和推理优化提供了重要的方法论指导，提醒研究者和工程师不要被表面的动态特性所迷惑。