前沿叠加的涌现：Möbius 吸引子与级联监督

叠加允许 Transformer 进行深度推理，通过有界深度的前向传播并行承载整个推理前沿，而非展开串行的思维链 token。虽然 Zhu 等人 (2025) 在单一残差流中为图可达性手工设计了等权广度优先前沿，但梯度下降是否能在置换对称的鞍点中找到该目标仍悬而未决。我们通过隔离架构与监督的贡献，在 Erdős-Rényi 图的叠加可达性上弥补了这一空白。在架构上，我们识别出 Möbius 吸引子：在树机制下的 $S_n$ 对称性中，逐层动力学简化为一维 Möbius 映射，其零集是包含等权叠加状态的全局最优的余维一维流形。在监督方面，我们识别出级联监督：一类损失函数，其反向传播同时提供 (A) 选择性自举，(B) 跨深度的梯度持续性，以及 (C) 逐步判别（例如，$\mathcal{L}_{sup}$ 和 $\mathcal{L}_{node}$）。端到端监督不满足条件 (B) 且被证明是不充分的：层 c 处的内部梯度以 $(np)^{-(D-c-2)/2}$ 的速率随图的扇出衰减，并在到达流形之前停滞。我们的论点是：Möbius 吸引子 + 级联监督 = 叠加推理的涌现。无参数衰减定律预测在深度 D=3 时，最终步的余弦相似度为 0.35 对比 0.71（端到端对比级联）；实验确认为 0.37 对比 0.69，每步的匹配误差在 0.02 以内。