无参数简化槽注意力在 Pascal VOC 上取得接近槽注意力的分割表现，表明竞争性分配动力学本身即可解释大部分聚类行为

作者将槽注意力写成交互粒子系统，并推导出无参数的简化槽注意力（SSA）：令查询、键、值投影为单位阵，并用加权均值聚合直接替代 LayerNorm、GRU 与残差 MLP 的更新。 此前对槽注意力的理解依赖其学习组件，难以判断聚类有多少来自注意力动力学本身；SSA 通过剥离全部可学习参数，把竞争性分配机制单独隔离出来。 该推导为解析性工作，从槽注意力的更新式出发逐步化简，并保留其列随机分配权重，使每个输入特征上的槽之间保持竞争关系。

作者刻画了 SSA 与软 K 均值（SKM）、软球面 K 均值（SSKM）的关系，并推导出无归一化代理 USSA 及其能量函数；在零温极限下 USSA 的最优权重取 0 或 1，其硬分配聚类几何由点积相似度而非欧氏距离决定。 SSA 与 SKM 共享列随机权重与加权均值更新，但相似度函数不同；当槽与输入限制在单位球面上时二者分配规则等价，而更新方式不同（SSKM 将更新后的质心投影回单位球面，SSA 不投影）。USSA 则去掉加权均值中的输入归一化，用以单独考察分配权重归一化的作用。 能量函数在列归一化约束下通过交替最小化推导，附录给出权重更新为 softmax 形式、最优槽位置为加权和，并证明簇在跨簇点积之和为负时更易被拆分。

在 Pascal VOC 2012 上以冻结 DINO 特征比较 K 均值、SKM、SSKM、USSA、SSA 与完整槽注意力，SSA 在除 FG-ARI 外的每项指标上均为最优或次优，紧贴槽注意力；槽注意力的重建 MSE 略低。 该实验把差异归因于分割模块本身，因为所有变体共享同一编码器、解码器与训练流程；SKM 的欧氏相似度倾向产生欠分割分组，SSKM 的球面投影显著降低分割质量，USSA 的加权和则逐步坍缩到少数活跃槽。 结果基于单一数据集、单一冻结编码器（DINO ViT-B/16）与基于重建的训练设置，结果在 3 个随机种子上取平均；FG-ARI 忽略背景，作者提示应谨慎解读，坍缩的 USSA 反而取得最高的基于聚类的 FG-ARI。

作者提出对省略组件的启发式解释：GRU 的阻尼作用类似梯度下降步长，Q、K、V 投影可理解为比点积更强的可学习相似度函数，LayerNorm 的作用与球面 K 均值及球面约束动力学相关，用于约束槽的增长而不完全限制在单位球面。 这些解释把被剥离的组件与已知聚类机制对应起来，为后续系统性地重新引入组件、判定其在阻尼、相似度学习、表示精化与归一化中的各自角色提供了假设。 这些均为启发式讨论，作者明确指出未做实证检验，且承认 GRU 的实际结构还包含重置门与非线性激活，未被该类比覆盖。

该结果面向使用冻结 DINO ViT-B/16 特征、在 Pascal VOC 2012 上以重建目标训练的面向对象分割设置，适用于希望判断槽注意力聚类来源、或考虑以无参数聚类模块替代学习式分组模块的研究者与工程师。它使后续工作可以在此动力学基础上直接刻画 SSA 的不动点与收敛性质，并系统性地重新引入 GRU、投影与 LayerNorm，以判定各自在阻尼、相似度学习、表示精化与归一化中的角色；能量函数也为把聚类读作概率推断、乃至探索基于采样的训练替代方案提供了入口。

能量函数刻画的是代理 USSA 的动力学，而非 SSA 自身的加权均值动力学，二者之间存在几何直觉与所评估算法之间的间隙；SSA 的不动点与收敛性质尚未被直接刻画。实验仅覆盖单一数据集、单一冻结编码器与 3 个种子，随机性影响未被量化，重建 DINO 特征也是相对较弱的下游任务。对 GRU、QKV 与 LayerNorm 角色的解释为启发式且未经实证检验。此外，USSA 动力学中出现的亚稳簇与槽逐个消亡的现象，其与自注意力中亚稳簇的对应关系仍是开放问题。