가중치 공간 기하학(Weight-space geometry)은 신경망 최적화에서 핵심적인 역할을 하지만, 다양체 제약 조건(manifold constraints)은 종종 모든 가중치 행렬에 걸쳐 균일하게 적용됩니다. 본 연구에서는 서로 다른 트랜스포머 모듈들이 각기 다른 다양체 기하학을 선호하는지 질문합니다. 우리는 GPT-2 사전 학습을 위해 Manifold Muon을 연구하고, 어텐션 블록과 MLP 블록에 Stiefel 및 DGram 제약 조건을 레이어별로 할당한 결과를 비교합니다. 우리의 결과는 명확한 비대칭성을 보여줍니다: 어텐션 레이어에는 Stiefel 기하학을 적용하고 MLP 레이어에는 DGram 기하학을 할당하는 것이 테스트된 설정 중 가장 우수한 성능을 보였으며, 반대로 역 할당(inverted assignment)과 모든-DGram 구성은 공유 하이퍼파라미터 설정 하에서 불안정해졌습니다. 우리는 이러한 실패가 DGram 제약 조건이 적용된 어텐션 가중치에서의 특이값 성장으로 인해 발생하며, 이는 어텐션 로짓을 증폭시키고 소프트맥스 포화(softmax saturation)를 유도할 수 있음을 추적했습니다. 이러한 발견들은 트랜스포머에 대한 최적화가 균일하기보다는 모듈별로 이루어지는 대칭성 인식 및 기하학 인식 최적화가 되어야 함을 시사합니다.