RoPE(Rotary Positional Embedding)로 학습된 Transformer는 RoPE가 내적(inner product) 시 오직 상대적 오프셋(relative offsets)만을 인코딩함에도 불구하고, 어텐션 패턴(attention patterns)에서 절대적 위치를 구분해냅니다. 우리는 이러한 누출(leakage)의 원인을 두 가지 구조적 구성 요소로 추적합니다. 첫 번째는 인과적 마스크(causal mask)의 책임입니다. 인과적 마스크의 쿼리별 소프트맥스 분모(per-query softmax denominator)는 구조적으로 절대적 쿼리 위치(absolute query position)에 의존합니다. 두 번째는 잔차 스트림(residual stream)이 제공합니다. 인과적 어텐션(causal attention) 하에서 위치 $0$의 활성화(activation)는 자기 자신에게만 어텐션을 수행하며, 해당 위치 토큰의 임베딩(embedding)으로부터 폐쇄된 동적 시스템(closed dynamical system)으로서 작동합니다. 하류 어텐션(downstream attention)은 싱크 읽기 헤드(sink-reading heads)를 통해 이 궤적(trajectory)을 읽어들입니다. 두 구성 요소 모두 우리가 연구한 세 가지 아키텍처에서 아키텍처별로 특정한 균형을 이루며 나타납니다. NTK 스케일링(NTK scaling)은 잔차 스트림 구성 요소를 억제하고, 슬라이딩 윈도우 어텐션(sliding-window attention)은 깊이에 따라 이를 축적되게 하며, 표준 RoPE는 그 중간에 위치합니다. 순전파(forward pass) 전의 \texttt{BOS} 임베딩을 교체하면 초기 쿼리에서 잔차 스트림 구성 요소의 $40%$가 제거됩니다. 어텐션 싱크(Attention sinks)는 토큰에 고정된 안정화 장치(token-anchored stabilizers)로서, 위치 $0$에 있는 토큰의 결정론적 지문(deterministic fingerprint)을 전달하며, 해당 토큰이 자동으로 앞에 추가된 \texttt{BOS}인 경우 입력에 관계없이 일정하고 그렇지 않은 경우에는 토큰에 따라 변합니다.