理論說「吸引力驅動聚類」，真實模型說：不對

1/ Geshkovski 等人把 attention 建模成球面上的動力系統，預測 token 會聚類並漂向共識，並在途中出現 metastable 雙時間尺度結構。核心假設：Q＝K＝V＝單位矩陣。把這套理論搬進訓練好的 transformer，三條預測存活，兩條崩掉。

2/ 存活的三條都很乾淨。跨層 token 表示聚類，在每個測試模型、每個真實 prompt 上皆成立；這些聚類以 metastable 平台的形式跨多層持續、再重組；快速形成與緩慢合併的雙時間尺度，在超過深度門檻後確實分離。結構預測，準。

3/ 第一條崩：理論要求交互能量單調遞增，但在每個模型、每個 prompt、每種溫度下都出現下降。聚類是真實的，但背後不是理論描述的純吸引梯度流。這是普遍性的反例，不是邊緣案例。

4/ 第二條崩在機制層。崩塌速度不由模型維度或深度決定，而是由 value matrix 的譜半徑主導，維度較高的模型反而崩塌較慢，與 Theorem 6.1 的預測完全相反。V 矩陣才是關鍵，不是架構規模。

5/ 收束：聚類是真的，但驅動它的機制不是理論說的純吸引梯度流。理論抓到了現象的形狀，卻猜錯了引擎。