토큰 믹싱 (Token mixing) 레이어는 언어 모델이 장기 의존성 (long-range dependencies)을 학습하고 생성하는 방식에서 핵심적인 역할을 수행합니다. 이들의 효율성은 디코딩 속도 (decoding speed)와 메모리 요구 사항 (memory requirements) 및 캐시 크기 (cache size) 사이의 필수적인 트레이드오프 (trade-off)에 달려 있습니다. 인과적 생성 (causal generation)을 고려할 때, 본 논문은 두 가지 중요한 특징을 분리하는 통합 프레임워크를 통해 새로운 트레이드오프를 탐구합니다: (i) 한 번의 생성 단계에서 입력이 출력에 미치는 직접적인 영향; (ii) 과거 출력을 통한 정보의 재귀적 전파 (recurrent propagation). 이 프레임워크는 어텐션 (attention) 및 상태 공간 모델 (state-space models)과 같은 주요 아키텍처를 아우르지만, 각 상태가 직전의 상태뿐만 아니라 여러 과거 상태에 의존할 수 있도록 함으로써 재귀 방정식 (recurrence equations)을 일반화합니다. 구조를 도입함으로써, 우리는 원하는 복잡도를 증명 가능하게 달성하는 새로운 재귀 패턴을 설계하는 동시에, 이들의 표현력 (expressivity)에 대한 이론적 통찰을 제공합니다 — 즉, 원칙적인 방식으로 실행 시간 (runtime)을 표현력과 교환합니다. 합성 작업 (synthetic tasks) 및 언어 모델링 (language modeling)을 통해 실증적 검증을 수행합니다. 이러한 결과들을 종합하면, 모델 제품군 전반에 걸쳐 효율적이고 표현력이 뛰어난 토큰 믹서 (token mixers)를 이해하고 설계하기 위한 통합된 툴킷을 제공합니다.