软件先容

aqdlt使用指南

第一步：导入文件

翻开软件，，点击"?添加 aqdlt"按钮，，从电脑中选择《aqdlt》文件，，或直接将其拖拽至软件界面中。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。

第三步：最先下载

确认无误后，，点击"最先下载/处理"按钮。。期待进度条读取完毕，，即可在设定的文件夹中审查下载好的正版文件。。

Kimi K3竟是GPT-2的22580倍，，博主「肝」48小时发明：七年进化大模子不但是参数暴涨，，aqdlt

机械之心编辑部

最近，，月之暗面 kimi 正式开源 Kimi K3 完整模子权重，，Kimi K3 是一款总参数目达 2.8 万亿、上下文窗口达 100 万 token 的 MoE 大模子，，更是全球首个落地的近 3 万亿参数级开源大模子，，引起业界热议。。

其中一个博主 ali@waterloo_intern 意识到，，着实从 2019 年 OpenAI 宣布的参数目约 1.24 亿的 GPT-2，，到 2026 年 2.8 万亿参数目的 Kimi K3，，只有短短七年的时间，，但两个模子规模相差 22580 倍！

简朴换算，，相当于把约莫 22580 个 GPT-2 Small 装进一个 Kimi K3。。

这引起了他的好奇：「但这一切，，真的只是规模变大了吗？？？」

对此，，ali 称自己花了约 48 小时阅读 Kimi K3 的建模代码和 8 篇论文，，最终理清了从 2019 年 GPT-2 到 Kimi K3 的完整手艺谱系。。「我将带你回首我们是怎样一步步走到今天，，以及从 GPT-2 到 Kimi K3，，模子事实爆发了几多转变？？？又有哪些工具着实始终没有改变？？？我们会沿着这条手艺演进蹊径，，梳理最终通向 Kimi K3 的一再要害架构升级。。」

下面我们一起来看一下。。

GPT-2 接纳的是仅解码器（decoder-only）架构：

tok_emb = self.transformer.wte (idx) # token embeddings of shape (b, t, n_embd)

pos_emb = self.transformer.wpe (pos) # position embeddings of shape (t, n_embd)

x = self.transformer.drop (tok_emb + pos_emb)

for block in self.transformer.h:

x = block (x)

x = self.transformer.ln_f (x)

logits = self.lm_head (x)

return logits

输入首先会叠加 token 嵌入和位置嵌入：

把每一个 Transformer ？？？榉糯罄纯矗，其结构如下：

class Block (nn.Module):

def __init__(self, config):

super ().__init__()

self.ln_1 = LayerNorm (config.n_embd, bias=config.bias)

self.attn = CausalSelfAttention (config)

self.ln_2 = LayerNorm (config.n_embd, bias=config.bias)

self.mlp = MLP (config)

def forward (self, x):

x = x + self.attn (self.ln_1 (x))

x = x + self.mlp (self.ln_2 (x))

注重力盘算历程如下：

B, T, C = x.size () # batch size, sequence length, embedding dimensionality (n_embd)

# calculate query, key, values for all heads in batch and move head forward to be the batch dim

q, k, v = self.c_attn (x).split (self.n_embd, dim=2)

k = k.view (B, T, self.n_head, C //self.n_head).transpose (1, 2) # (B, nh, T, hs)

q = q.view (B, T, self.n_head, C //self.n_head).transpose (1, 2) # (B, nh, T, hs)

v = v.view (B, T, self.n_head, C //self.n_head).transpose (1, 2) # (B, nh, T, hs)

# manual implementation of attention

att = (q @ k.transpose (-2, -1)) * (1.0 /math.sqrt (k.size (-1)))

att = att.masked_fill (self.bias [:,:,:T,:T] == 0, float ('-inf'))

att = F.softmax (att, dim=-1)

att = self.attn_dropout (att)

y = att @ v # (B, nh, T, T) x (B, nh, T, hs) -> (B, nh, T, hs)

y = y.transpose (1, 2).contiguous ().view (B, T, C) # re-assemble all head outputs side by side

# output projection

y = self.resid_dropout (self.c_proj (y))

当最终的隐藏状态矩阵天生后，，语言模子头会将其映射为词表上的 logits。。在自回归解码历程中，，模子只需要最后一个位置的 logits，，便可以选择下一个 token。。

这也是仅解码器天生方式的一处低效之处：模子会为输入序列中的每一个位置盘算体现，，但在每一步解码时，，真正会被用到的只有最后一个位置的 logits。。若是没有缓存机制，，在天生下一个 token 时，，大宗盘算都需要重新执行。。

KV Cache 源于一个很是直接的视察：当新天生的 token 被追加到输入序列后，，模子原本需要重新盘算此前所有 token 的投影。。将这些 token 对应的 Key 和 Value 向量生涯下来，，就可以阻止这部分重复盘算。。

这些被生涯的数据，，就是 KV Cache。。它会保存前面 N-1 个 token 的向量，，规？？？赡鼙涞煤苁侵卮螅，甚至形成内存带宽瓶颈。。

总体来看，，在词表规模约为 5 万、包括 12 个 Transformer ？？？椤12 个注重力头、嵌入维度为 768 的情形下，，这个基线模子约莫拥有 1.24 亿个参数。。

线性注重力

Softmax 注重力是在 q?k 乘积完成之后再施加非线性变换，，因此每一个 Query 都会与每一个 Key 相互耦合。。而线性注重力则会划分对 q 和 k 应用特征映射，，例如 ELU+1。。这样一来，，矩阵乘法就可以重新连系，，一连增添的 K、V 向量也能够被压缩进一个牢靠巨细的 D×D 状态中。。

作者体现，，论文中关于 O (N?) 的形貌一度让他感应疑心。。严酷来说，，「Transformer 每个时间步的盘算本钱会随目今序列长度的平方增添」并禁绝确。。FlashAttention 解决的正是这个问题…… 随后他才发明，，这篇论文揭晓于 2020 年。。

其时，，训练通；；；嵯允焦菇ㄍ暾 N×N 注重力矩阵，，FlashAttention 还没有泛起，，而许多参考级的自回归实现也没有使用 KV Cache，，需要重复盘算此前所有 token 的历史状态。。

def forward (self, x, mask=None, past_kv=None):

# x is b,t,d

b,t,d=x.shape

d_head=d//self.num_heads

h=self.num_heads

qkv=self.qkv_proj (x)

q=qkv [:, :, :d].view (b,t,h,d_head).transpose (1,2)

k=qkv [:, :, d:2*d].view (b,t,h,d_head).transpose (1,2)

v=qkv [:, :, 2*d:].view (b,t,h,d_head).transpose (1,2)

# at prefill, q,k,v have shapes b,h,t,d

# at decode, shape is b, h, 1, d

# so i cat at the t dimension, dim (2)

if past_kv is not None:

k_past=past_kv [0]

v_past=past_kv [1]

k=torch.cat ((k_past, k), dim=2)

v=torch.cat ((v_past, v), dim=2)

scores=(q@k.transpose (-1,-2))/math.sqrt (d_head)

if past_kv is None:

're in prefill and need to mask

causal_mask=torch.ones (t,t,dtype=bool, device=q.device)

causal_mask=torch.triu (causal_mask, diagonal=1)

scores=scores.masked_fill (causal_mask, float ('-inf'))

if mask is not None:

scores=scores.masked_fill (~mask, float ('-inf'))

attn (bhtt x bhtd)

attn=scores.softmax (-1)

o=o.transpose (1,2).contiguous ().view (b,t,d)

# use x to get qkv

o_proj=self.o_proj (o)

past_kv=(k, v)

return o_proj, past_kv

通过可视化，，这一历程会越发直观。。每一步解码都需要从 HBM 中举行两次 (ND) 规模的读取。，以及两次 1D 规模的写入；；；与此同时，，KV Cache 的巨细会随着序列长度以 O (N) 级别线性增添。。

可以看到，，这一历程包括了大宗读写操作，，而这篇论文用下面的方式替换了它们：

def forward (self, x, mask=None, cache=None):

# x is b,t,d

b,t,d=x.shape

d_head=d//self.num_heads

h=self.num_heads

qkv=self.qkv_proj (x)

q=qkv [:, :, :d].view (b,t,h,d_head).transpose (1,2)

k=qkv [:, :, d:2*d].view (b,t,h,d_head).transpose (1,2)

v=qkv [:, :, 2*d:].view (b,t,h,d_head).transpose (1,2)

k=F.elu (k)+1

k=k.transpose (-1,-2)

q=F.elu (q)+1

S,z=cache if cache is not None else (0.0, 0.0)

o_scaled=o/denom

o_scaled=o_scaled.transpose (1,2).contiguous ().view (b,t,d)

o_proj=self.o_proj (o_scaled)

cache=(S,z)

return o_proj, cache

这是一种权衡关系。。

这里，，作者不再使用 Softmax 中的指数运算，，而是在 q 和 k 相互作用之前，，划分对它们应用 ELU+1。。两种要领都会对最终获得的分数举行归一化，，但线性注重力所使用的特征映射，，对 Softmax 核的近似表达能力更弱。。

这种近似可能会降低效果的保真度，，不过现实精度损失有多大，，仍然取决于详细的模子架构和事情负载。。

需要注重的是，，我们依然会除以 qk 分数之和，，只是为了简化，，图中省略了这一步。。

从整体上看，，注重力机制可以分为三个方法：

将 qk 分数转换为非负数，，线性注重力使用 ELU+1，，Softmax 注重力则使用指数运算；；；除以所有分数之和，，完成归一化；；；凭证归一化后的权重，，对 Value 举行加权平均。。

线性注重力保存了注重力机制的基本盘算形式，，但为了使 QK 分数非负，，它接纳了一种表达能力相对较弱的特征映射。。

DeltaNet（快速权重编程器）

有限容量的缓存，，必定需要笼罩已有信息，，或者将新信息与旧信息合并。。来自第 i-1 个 token 的状态并不会获得一个自力的存储槽位，，而是被写入统一个 D 到 D 矩阵中。。因此，，新的 Query 无法再从中取回每个历史 token 相互完全隔离的体现。。

这种累加写入，，正是效率提升的泉源。。通过加法更新缓存，，而非一直拼接新的内容，，缓存规模便不会随着序列长度以 O (N) 增添。。但同样的操作也会导致差别信息相互滋扰。。DeltaNet 试图解决的，，正是这种信息难以恢复的问题。。

在的 Schlag 的论文《Fast Weight Programmers》中对此有一段很是精炼的形貌：

当序列长度凌驾存储容量时，，模子可能进入一种容量过载状态。。为了在这种状态下正常运行，，模子应当学会与影象内容动态交互，，并有选择地决议保存哪些键值关联、删除哪些关联。。纯粹的累加指令可能并不适合这一目的…… 正如公式 17 所示，，在有限容量的影象中无休止地加入新关联，，最终必定会抵达极限。。

线性注重力最具吸引力的场景，，是 N 远大于 D 的时间，，但这也恰恰袒露了它最主要的局限。。一旦状态凌驾其有用容量，，差别关联之间就会最先相互滋扰，，由于更新方式只是一直累加，，缓存中没有任何信息会被移除。。

def forward (self, x, mask=None, cache=None):

# x is b,t,d

b,t,d=x.shape

d_head=d//self.num_heads

h=self.num_heads

qkv=self.qkv_proj (x)

q=qkv [:, :, :d].view (b,t,h,d_head).transpose (1,2)

k=qkv [:, :, d:2*d].view (b,t,h,d_head).transpose (1,2)

v=qkv [:, :, 2*d:].view (b,t,h,d_head).transpose (1,2)

q = F.normalize (F.silu (q), dim=-1)

k = F.normalize (F.silu (k), dim=-1)

beta = torch.sigmoid (self.w_beta (x)).view (b, 1, t, 1)

# new: per-token write strength

S = cache if cache is not None else 0.0

v_old = k @ S # read the board at this key

u = beta * (v - v_old) # the delta: only what's actually new

S = S + k.transpose (-1, -2) @ u # same outer-product write as before

o = q @ S # read, no denominator

o = o.transpose (1, 2).contiguous ().view (b, t, d)

return self.o_proj (o), S

通过一个可视化示例，，可以更容易明确这一历程。。

假设写入一组关联：S = k.T@v，，随后使用统一个 Key 读取。，就会获得 k @ (k.T @ v)，，即 (k @ k.T) v，，现实上即是 k 的范数平方乘以 v。。因此，，读取效果会被 Key 的范数平方缩放。。将 k 归一化为单位长度，，或者直接用效果除以其范数，，就可以准确恢复出 v。。

Q 同样可以看作一个学习获得的指针。。Wq 和 Wk 都从统一条残差流中读守信息，，而当模子盘问某个事实时，，对应的 Query 会指向这个事实最初写入时所对应的 Key 偏向。。

在更新状态时，，模子首先会检查目今 Key 能够从缓存中读取出什么信息。。接着，，它用希望存储的新 Value 减去目今已经读出的旧信息，，再将这个差值与 Key 相乘，，并把效果加回状态矩阵。。

这样一来，，旧信息会被移除，，新信息则会写入原来的位置。。

DeltaNet（通过 Delta Rule 并行化线性 Transformer）

这是本文最难明确的一部分，，博主体现，，为了真正搞懂它，，约莫花了七个小时，，因此接下来会从详细实现出发，，一步步睁开诠释。。

简朴来说，，DeltaNet 实现了一种一阶线性递归，，并使用广义 Householder 变换矩阵作为状态转移矩阵，，从而支持按分块并行执行前向撒播，，实现更适合硬件的线性时间训练。。

它会把输入和输出划分为若干个巨细为 C 的分块，，并凭证前一个分块的最终状态，，以及目今分块中的 Query、Key、Value 矩阵，，盘算该分块的输出。。

现实需要解决的问题是 prefill，，也就是上下文预填充阶段。。

若是直接在长度为 T) 的序列上实现 Delta Rule，，盘算历程大致如下：

S = torch.zeros (b, h, dh, dh) if cache is None else cache

for i in range (t):

k_i = k [:, :, i:i+1]

v_i = v [:, :, i:i+1]

b_i = beta [:, :, i:i+1]

v_old = k_i @ S

u_i = b_i * (v_i - v_old)

S = S + k_i.transpose (-1, -2) @ u_i # write

outs.append (q [:, :, i:i+1] @ S)

o = torch.cat (outs, dim=2)

与标准注重力差别，，这种形式需要针对每一个 Key 向量执行一次校正，，因此怎样将它转化为可并行的矩阵乘法，，并不直观。。

即便不思量 Delta Rule，，直接实现线性注重力的 prefill 历程仍然是串行的：

S = torch.zeros (b, h, dh, dh) if cache is None else cache

for i in range (t):

q = q [:, :, i:i+1]

k = k [:, :, i:i+1]

v = v [:, :, i:i+1]

S=S_old+k@v

o=self.norm (o)

o=o.transpose (1, 2).contiguous ().view (b, t, d)

out=self.o_proj (o)

outs.append (out)

o = torch.cat (outs, dim=2)

接纳分块形式，，可以获得一种效率更高的实现方式。。通过一个例子，，更容易明确其中的盘算机制：

当 C=N 时，，这种要体会退化为标准的 O (N?) 注重力；；；当 C=1 时，，它对应通俗的线性注重力。。

在二者之间选择差别的 C，，相当于在盘算量和硬件使用率之间举行权衡：分块内部会增添一部分盘算，，但能够更充分地使用硬件。。

在实践中，，C 通；；；岜簧柚梦 64 或 128，，由于 Tensor Core 的指令能够在这类粒度上高效运行，，UMMA 就是其中一个例子。。

中心盘算爆发的矩阵块，，会在状态更新历程中被折叠进状态 S：

S = torch.zeros (b, h, dh, dh) if cache is None else cache

for i in range (t//C):

q_c = q [:, :, i*C:(i+1)*C]

k_c = k [:, :, i*C:(i+1)*C]

v_c = v [:, :, i*C:(i+1)*C]

o_prev=q_c@S

is everything up to this block

attn=(q_c@k_c.transpose (-1,-2)).tril ()

o_curr=attn@v_c

o=o_prev+o_curr

S_new=k_c.transpose (-1,-2)@v_c

outs.append (o)

o = torch.cat (outs, dim=2)

在一个分块内部，，我们盘算的是 q (k?v)，，这里首先盘算注重力分数，，接纳的是通俗注重力的盘算顺序，，并配合因果掩码。。

而在差别分块之间，，博主体现接纳 (k?v) q，，也就是递归式的盘算顺序：先构建状态，，再用 Query 从状态中读守信息。。标准注重力的盘算量会以 O (N?) 增添，，而这种要领不会。。

详细来说，，在每个分块内部，，仍然执行真正的注重力盘算，，也就是带掩码的 QK?与 V 相乘；；；而在分块之间，，会把所有历史信息压缩进状态，，再通过一次矩阵乘法将其读取出来。。

因此，，整体盘算本钱可以拆分成两部分：

第一部分是牢靠开销 2Ld?：这部分来自状态矩阵的盘算，，与分块巨细 C 无关；；；第二部分会随着 C 增添 2LCd：它对应漫衍在矩阵对角线上的分块内注重力分数矩阵。。

完整注重力只是 C=L 的特殊情形，，此时第二项会酿成 2L?d，，盘算重漂后也就重新酿成了平方级。。

因此，，从 FLOPs 的角度看，，C 越小。，需要执行的盘算越少。。

当 C=1 时，，理论 FLOPs 最低，，但它未必能带来最短的现实运行时间。。只要盘算使命能够高效映射到 GPU 的矩阵乘法硬件上，，GPU 往往可以用更短的时间完成更多算术运算。。

下一步，，就是把同样的要领扩展到 DeltaNet。。

这里的焦点问题着实很简朴：用于纯累加式注重力的分块要领，，无法直接应用于 Delta 更新：

v_old = k_i @ S

u_i = b_i * (v_i - v_old)

为了盘算每一步需要减去的已有信息，，必需依次获得每一其中心状态。。没有经由数学上的重新参数化，，就无法用相同方式将这些盘算并行化。。

因此，，论文作者们将 Delta 更新从下面这种形式举行了改写：

u=v_new-v_old

S_t= S_(t-1)+K.T@u

在原始形式中，，模子通过一个串行循环，，每次迭代盘算一个 Delta。。

重新参数化后的形式如下：

S_t = S_{t-1}(I ? β_t k_t k_t?) + β_t v_t k_t?

o_t = S_t q_t

借助这种表达方式，，分块实现便可以一次性盘算出目今分块中的所有 C 个 Delta：

def chunk_delta_rule_forward (Q, K, V, beta, C):

# L: sequence length, d: head dimension

L, d = Q.shape

Q, K, V = map (lambda x: x.reshape (-1,C,d), [Q, K, V])

beta = beta.reshape (-1, C)

K_beta = K * beta.unsqueeze (-1)

V_beta = V * beta.unsqueeze (-1)

# compute eq. 10 with vectorized forward substitution for fast inverse

T = -(K_beta @ K.t ()).tril (-1)

for i in range (1, C):

T [i, :i] = T [i, :i] + (T [i, :, None] * T [:, :i]).sum (-2)

T += torch.eye (C)

W = T @ K_beta

U = T @ V_beta

# chunkwise parallel. Eq. 8-9

S = torch.zeros (d, d)

O = torch.empty_like (V)

for i in range (L//C):

q_i, k_i, w_i = Q [i], K [i], W [i]

u_i = U [i] - w_i @ S # the corrections, all of one chunk

o_inter = q_i @ S

A_i = (q_i @ k_i.t ()).tril ()

o_intra = A_i @ u_i # attention @ v (with corrections, so u)

S += k_i.t () @ u_i # update state with addition

O [i] = o_intra + o_inter

output with flash + recurrent

return O.reshape (L, d)

至此，，我们终于可以举行第一次直接比照：MHA Transformer 与 DeltaNet Transformer。。

Gated DeltaNet

现在，，已经有了一种能够准确修改缓存的要领：每当泛起一个新的事实，，也就是一个新的 Key 向量时，，模子都可以准确审查该位置原先存储的信息，，并将其替换为之后希望关注的新信息。。

但这种机制只能遗忘那些有明确新内容可以替换的关联，，当上下文爆发切换时，，它无法高效地一次扫除多组关联，，也无法让影象整体衰减，，从而释放存储容量。。

假设使用的是纯累加式线性注重力：那么加入遗忘能力并不重大，，只需要引入一个控制状态遗忘水平的参数：

S_old=cache

# cache=S_old+S_new

cache=alpha * S_old + S_new

这正是 Mamba-2 带来的刷新，，它先让此前的缓存爆发衰减，，再以完整强度写入新的缓存，，从而阻止状态无限增添。。

Mamba 接纳的方式，，是在每个时间步使用一个动态比例，，对所有键值关联举行统一衰减。。这种要领确实有用，，但它没有思量差别键值关联的主要性并不相同。。

换句话说，，当模子只需要遗忘某一个特定关联时，，所有关联都会以相同水平被遗忘。。

相比之下，，Delta Rule 可以单独更新某一条事实，，却无法让其余事实自然衰减。。

因此，，Gated Delta Rule 将 Mamba 的门控更新规则与 Delta Rule 连系起来。。它引入参数 alpha：当 alpha=1 时，，更新退化为纯 Delta Rule；；；当 alpha=0 时，，影象会被完全清空。。

这里的难点，，是怎样继续使用前文先容的分块并行要领来实现这一机制。。

详细实现仍然接纳上一节先容的 DeltaNet 重参数化要领。。整体数学形式险些相同，，只增添了一项：一个由数据动态决议、取值规模在 0 到 1 之间的标量，，用来控制旧状态的衰减水平。。

这样一来，，模子便同时具备了有用学习键值关联的能力，，以及自顺应治理影象的能力。。

响应的代码改动如下：

其中，，γ?/γ?项用于盘算累计衰减。。

假设某个 token 在时间步 x 被写入，，并在 x+t 时被读取。，那么它所履历的累计缩放为：α?α???α???…α???。。

这可以看作前缀和盘算在乘法形式下的对应版本。。

最终获得的架构如下：

KDA / Kimi Linear

生长到这一步，，研究职员最先实验混淆架构：在统一个模子中组合多种注重力机制，，例如将 Gated DeltaNet 与 Mamba 连系起来。。

Kimi Linear 之以是受到关注，，焦点在于它提出了一项主要结论：在控制变量的比照实验中，，Kimi Linear 的体现凌驾了全注重力架构。。

论文作者将其形貌为一种可以直接替换古板注重力的架构方案，，不但模子效果更好，，解码吞吐量最高还能提升至原来的 6 倍。。

Kimi Linear 对 Gated DeltaNet 的主要刷新，，是引入了越发细粒度的门控机制。。

此前，，模子只使用一个标量控制整体衰减；；；Kimi Linear 则为每一个通道划分学习一个衰减值。。

KDA 的更新规则依然相似，，但对应代码酿成了下面这样：

其中，，alpha.reshape (nb, C, d) 体现了这篇论文最主要的孝顺：对影象衰减举行细粒度控制。。

与 DeltaNet Transformer 相比，，Kimi Linear 架构主要引入了三项转变：

接纳混淆架构，，在模子中交替插入多头潜在注重力（Multi-head Latent Attention，，MLA）层；；；使用混淆专家（MoE）层替换古板 MLP；；；通过 alpha 投影，，为 DeltaNet 增添特殊容量。。

需要明确的重点是，，这并非纯粹、盲目地扩大模子规模。。新增的容量有着明确的数学用途：逐通道缩放机制，，使模子能够越发细腻地控制影象衰减。。

Scaling Law 依然建设，，但模子容量必需被增添在准确的位置，，并接纳系统真正能够使用的形式。。在这条架构演进路径上，，每一种新架构增添容量，，都是为相识决上一代系统中某个详细的局限。。

最终，，Kimi K3 的语言模子主干与前面先容的 Kimi Linear 模子较为相似。。

模子总共包括 23 个由四层组成的宏循环。。在每一个宏循环中，，前三层使用 Kimi Delta Attention，，第四层使用多头潜在注重力。。

模子的第一层接纳浓密前馈网络，，其余所有层均接纳潜在空间混淆专家网络。。

乍看之下，，Kimi Linear 到 Kimi K3 的转变似乎并不算多：

模子规模大幅增添；；；每隔 12 层加入分块式 AttnRes 操作；；；MLA Query LoRA 与输出门控；；；潜在空间 MoE；；；SiTU 激活函数；；；门控 MLA；；；

KDA 提供状态巨细恒定的递归影象，，而周期性插入的 MLA 层则保存了基于完整上下文的 Softmax 检索能力。。

下面这张简化的架构图，，可以作为明确后续改动的参考。。

我们先从几项相对直接的转变最先：门控 MLA、潜在空间 MoE，，以及 SiTU 激活函数。。

门控 MLA 用于决议，，从 MLA 中检索出的每一项特征有几多能够进入残差流。。

详细做法是：从输入中投影获得一个门控向量，，再将它与检索出的特征举行逐元素相乘。。

在古板 MoE 中，，一个学习获得的路由器会凭证点积相似度，，将每个 token 分配给一组专家网络。。

Kimi K3 总共拥有 898 个专家，，其中两个是共享专家，，会处理所有 token；；；剩余的 896 个专家中，，路由器会为每个 token 选择 16 个。。

Kimi K3 还改变了专家网络中的激活函数。。古板做法是：先对上投影效果应用 SiLU，，再与门控分支逐元素相乘，，最后举行下投影。。

Kimi K3 则改为使用 SiTU：

d = x.shape [-1] // 2

gate = x [..., :d].to (torch.float32)

up = x [..., d:].to (torch.float32)

situ_a = self.beta * torch.tanh (gate /self.beta) * torch.sigmoid (gate)

if self.linear_beta is not None:

up = self.linear_beta * torch.tanh (up /self.linear_beta)

return (situ_a * up).to (x.dtype)

模子还会先将输入降维投影到共享专家空间，，并在汇总共享专家的输出后，，再将其升维投影回去：

这展现了模子推理中一个重复泛起的难题：若是没有融合算子，，新激活函数的运行速率险些比原始盘算路径慢 3 倍。。

一个能够抵消部分开销的优化是，，让专家网络在压缩后的潜在空间中运行，，这样可以大幅加速专家网络的前向撒播，，并将 FLOPs 险些镌汰一半。。

剩余的改动包括 MLA Query LoRA、输出门控，，以及每隔 12 层加入一次分块式注重力残差（AttnRes ）。。AttnRes 会使推理延迟增添约 2%，，但它能带来两项主要收益：

有选择地检索早期体现，，从而缓解残差流中的信息稀释和隐藏状态幅度一直增添的问题；；；获得约 1.25 倍的盘算优势。。

AttnRes 和 MLA 从差别偏向解决了统一个底层局限。。

KDA 层使用牢靠巨细的状态，，因此不可阻止地需要扬弃一部分信息。。MLA 从 token 上下文中检索信息，，而 AttnRes 则从网络深度偏向上更早的体现中举行检索。。

AttnRes（注重力残差）

在每一次前向撒播中，，输入都会经由一系列堆叠的网络层。。这里，，每一层都由一个注重力？？？椋↘DA 或 MLA）和一个 MLP 或 MoE ？？？樽槌伞。

通常情形下，，某一层的输入，，是原始嵌入与此前所有层输出之和，，并且所有部分的权重都相同：

这种方式的问题在于缺少选择性会见能力。。

差别类型的网络层吸收到的都是统一个聚合状态，，只管它们可能更适合使用差别的权重组合。。

别的，，由于这种递归完全依赖加法，，越靠后的层必需学会爆发幅度越来越大的输出，，才华对一直累积的残差爆发足够影响，，这可能导致训练历程不稳固。。

AttnRes 不再一律看待所有层，，而是为求和表达式中的每一项乘上一个专门盘算的权重，，使模子能够凭证目今上下文，，越发重视其中最有用的网络层：

每一个权重 alpha_i 都通过 Query 与 Key 的点积盘算获得。。

其中，，每一层都有一个学习获得的 Query，，而 Key 和 Value 则来自更早的残差流状态。。模子会对分数举行归一化，，使其总和为 1，，随后使用这些权重，，对此前的状态举行加权组合。。

因此，，模子不再只能依赖紧邻的上一层。。

AttnRes 让每一层都能够有选择地会见更早的层输出，，并通过学习获得的 Query，，检索目今盘算最需要的体现。。

下面的伪代码在分块粒度上实现了相同的思绪。。

这里的一个分块，，是一连 12 个解码器层中注重力？？？橛 MLP ？？？槭涑龅闹鹪乩奂有Ч。该效果会作为一个统一的深度体现存储下来，，供后续 AttnRes 混淆使用。。若是在每一层都应用残差注重力，，会带来过高的训练和推理开销。。只在牢靠的分块界线上应用，，则可以用较低本钱保存大部分收益。。

在 Kimi K3 中，，每经由 12 个解码器层，，就会形成一个这样的界线。。模子总共包括 23 个四层宏循环，，由此形成了 8 个 AttnRes 分块，，并提升了整体推理效率。。

这可能是 block_attn_res 函数中最主要的一部分：

V = torch.stack (blocks + [partial_block]) # [N+1, B, T, D]

K = norm (V)

logits = torch.einsum ('d, n b t d -> n b t', proj.weight.squeeze (), K)

h = torch.einsum ('n b t, n b t d -> b t d', logits.softmax (0), V)

至此，，从 GPT-2 到 Kimi K3 的架构演进历程就完整了。。

其中最焦点的转变，，并不但是规模扩大。。

每一次架构升级，，都改变了模子存储什么信息、怎样更新状态，，或者怎样重新检索那些牢靠巨细状态无法完整保存的信息。。

Kimi K3 将牢靠状态的递归影象、周期性的 Softmax 检索、稀专家容量，，以及对深度偏向残差体现的选择性会见连系在一起。。

最终获得的，，是一个会将特殊容量投入到明确功效位置上的系统。。

归根结底，，一个容量牢靠的关联影象系统，，也就是维度坚持稳固的影象系统，，必需具备某种镌汰战略。。

由于当影象抵达容量上限后，，纯累加式的线性操作必定会导致差别信息相互滋扰。。

因此，，系统必需引入门控、路由或衰减等学习获得的选择机制；；；而注重力机制，，仍然是现在最有用的选择性读取方式。。

更多信息，，可以审查完整文章相识！

https://x.com/waterloo_intern/status/2081762991532560503

https://x.com/waterloo_intern/status/2081762065392541951