유방 영상 분류는 국소적 세부와 전역 조직 문맥을 모두 필요로 하지만, 표현이 깊어질수록 이러한 단서는 약해질 수 있다. 본 연구는 해상도 인식 연산자 배치를 통해 다중 스케일 좌표 어텐션, 유계 동적 특징 재사용, 차분 어텐션을 계층적으로 조율하는 유방촬영 인코더 M3D-Net을 제안한다. 스테이지 내 검색은 이전 특징에 대한 접근을 유지하고, 좌표 인식 집계는 국소 및 전역 문맥을 통합하며, 차분 어텐션은 거친 해상도에서 동작한다. AISSLab 유방촬영 데이터에서 이미지 전용 분류를, BrEaST 초음파에서는 적응된 영상-임상 모델을 평가하였다. EdgeNeXt, RepViT, TransXNet과 비교할 때 제안 구현은 기록된 검증 정확도와 학습 후반 정확도가 가장 높고, 종점 교차 엔트로피 손실이 가장 낮았다. 검증 정확도는 각각 97.78%와 80.39%에 달한다. 이 결과는 다양한 유방 영상 설정에서 계층적 조율에 대한 추가 평가를 뒷받침하나, 반복 시드, 구성 요소 통제, 독립 평가는 여전히 필요하다.
소프트맥스 어텐션의 어텐션 싱크(attention sink)와 확률 질량 분산 문제를 해결하기 위해, 임계값 차분 어텐션(TDA, Threshold Differential Attention)은 길이 의존적 게이트 기반의 행 단위 극값 임계화와 차분 트랜스포머의 억제적 뷰를 결합한 새로운 어텐션 메커니즘을 제안한다. TDA는 이론적으로 행당 허위 생존자 수를 O(1)로 제어함을 증명하며, 실험적으로 99% 이상의 완전한 영값(sparsity)을 달성하면서 표준 및 긴 컨텍스트 벤치마크에서 경쟁력 있는 성능을 유지한다.
표준 자기회귀(autoregressive) 트랜스포머 디코더는 변화하는 커리큘럼 분포에 대한 순차적 미세조정 과정에서 상당한 망각을 보이는 경우가 많다. 본 기술 보고서는 RMS 정규화와 출력 스케일 보정을 사용하여 Differential-Attention 스타일 층과 DeltaNet에서 영감을 받은 단순화된 선형 상태 믹서 층을 교대로 배치한 실험적 356M 매개변수 하이브리드 시퀀스 디코더인 SamatNext v0.2-B를 평가한다. 제어된 단계별 Python 코드 커리큘럼 하에서 모델을 연구하고, 매개변수가 일치하는 트랜스포머 기준선과 비교한다. 이 설정에서 SamatNext v0.2-B는 제어된 Stage 5 홀드아웃에서 100.0% 통과율을 달성하면서 인접한 Stage 3 의미적 동작의 98.8%를 유지하고, Stage 2E 초기 구문 홀드아웃에서 12.0%에 도달한다. 가장 강력한 트랜스포머 기준선은 Stage 5에서 97.6%에 도달하지만 Stage 3 동작의 6.0%만 유지한다. 두 아키텍처 모두 장기 초기 단계 유지에서 여전히 취약하므로, 이 결과는 이 제어된 설정에서 유지/가소성(plasticity) 트레이드오프가 변화했음을 보여주는 증거로 해석해야 하며, 치명적 망각(catastrophic forgetting)에 대한 일반적인 해결책으로 해석해서는 안 된다. 코드, 모델 사양, 평가 스크립트, 결과 표는 독립적인 검증을 위해 제공된다.