Rethinking Normalization Placement for LLMs

研究用 Qwen3-8B 教师和 9 层学生重新检验 pre-norm 与 post-norm，关键变量不是架构单独训练，而是逐步增加 Transformer 深度的课程。联合训练时两者验证交叉熵只差 0.0004；采用扩深课程后 post-norm 领先 0.0328，控制实验把反转定位到新 block 的追加。pre-norm 出现结构 token 尺度漂移且末层近似恒等，提示所谓稳定性优势会随增长式训练路径改变，不能从固定深度实验直接外推。