StreamSparkAI

概览/核心摘要 (Executive Summary)

本讲座以“从他人经验中学习”为核心方法论，通过分析从原始Transformer到2025年各类已发布语言模型（LM）的架构变迁，深入探讨了LM架构和训练的细节。讲座重点回顾了Transformer模型的演进、当前主流架构（如Llama类架构）的共识选择以及关键超参数的设定。核心架构趋势包括：层归一化（LayerNorm）从后置（post-norm）转为前置（pre-norm）以增强训练稳定性，并进一步演化出RMSNorm以提升效率；激活函数普遍采用门控线性单元（Gated Linear Units, GLU），特别是SwiGLU，因其表现优于传统ReLU或GeLU；位置编码广泛采用旋转位置编码（RoPE），因其良好的相对位置表达和外推能力。超参数方面，讲座讨论了前馈网络维度（对于ReLU/GeLU通常为模型维度的4倍；对于GLU，为保持参数量相当，上投影维度d_ff通常调整为模型维度的8/3倍）、注意力头维度与模型维度的关系（通常保持总维度不变）、模型深度与宽度的“宽高比”（约128隐藏维度/层）以及词汇表大小（趋向于100k-250k，尤其对多语言模型）。此外，还讨论了权重衰减（Weight Decay）在预训练中的作用（并非防止过拟合，而是与学习率调度结合改善训练动态），以及最新的模型训练稳定技巧（如Z-loss、QK Norm）和注意力机制变体（如MQA/GQA、结构化稀疏注意力）以支持更长上下文和提升推理效率。

Transformer架构回顾与演进

讲座首先回顾了原始Transformer架构，并指出现代实现（如课程中要求学生实现的版本）已包含多项改进，形成了“现代共识变体”。这一分析过程本身即体现了“从他人经验中学习”的核心思想。

• 原始Transformer组件:
  • 位置嵌入（Position Embeddings）
  • 多头注意力（Multi-head Attention）
  • 层归一化（LayerNorms）在后（Post-norm）
  • 残差连接（Residual Stream）
  • MLP（多层感知机）
  • Softmax输出层
• 课程实现的现代Transformer变体:
  • 层归一化前置 (Prenorm): LayerNorm移至每个子模块（注意力、MLP）之前。
  • 旋转位置编码 (RoPE): 用于位置信息的编码。
  • SwiGLU激活函数: 用于前馈网络层。
  • 线性层通常不使用偏置项: 遵循现代实践。
• 架构演进的观察:
  • 讲者通过分析从2017年（原始Transformer）到2025年的大量已发表模型（提及过去一年约有19个新的密集模型发布），总结架构变化的趋势。
  • 一个显著的“趋同进化”例子是位置编码，从早期的绝对位置编码、相对位置编码、Alibi等，到现在几乎所有模型都采用RoPE。

架构变体详解

讲座详细讨论了构成Transformer的各个组件的不同变体及其演进。

层归一化 (Layer Normalization) 与 RMSNorm

• Prenorm vs. Postnorm:
  • Postnorm (原始Transformer): Sublayer(x) + x 之后进行LayerNorm。
    • 问题：训练不稳定，需要仔细的学习率预热（warm-up）。
  • Prenorm (现代主流): x + Sublayer(LayerNorm(x))。
    • 优势：训练更稳定，可能无需warm-up，梯度传播更佳（保持梯度大小相对恒定，避免梯度爆炸）。
    • 几乎所有现代LM均采用Prenorm。一个例外是OKT 350M模型，讲者推测其可能是一个失误或特殊情况。
  • "Double Norm" (近期创新): 如Grok和Gemma 2模型，在模块前后均使用LayerNorm。Olmo 2则仅在模块后使用。
  • 讲者解释，将LayerNorm置于残差流内部（如Postnorm的部分效果）可能干扰残差连接提供的“恒等映射”，影响深层网络的梯度传播。
• LayerNorm vs. RMSNorm:
  • LayerNorm: 标准化时减去均值、除以标准差，并有可学习的缩放（gamma）和偏移（beta）参数。
  • RMSNorm (Root Mean Square Norm): 移除了均值减法和beta偏移项。
    • 优势：运算更快（操作更少），参数更少（无需加载beta），性能与LayerNorm相当。
    • 尽管归一化操作的浮点运算（FLOPs）占比极小（约0.17%），但其运行时占比可达25%，主要因为内存移动开销。RMSNorm通过简化操作减少了内存移动。
    • 引用Nangia et al. (2020) 的实验表明，RMSNorm不仅速度更快（3.68步/秒 vs 3.5步/秒），最终损失也更低。
    • 共识：绝大多数模型（Llama系列, PaLM, Chinchilla, T5）已转向RMSNorm。Cohere的Command R和R+是少数仍使用LayerNorm的例子。

偏置项 (Bias Terms)

• 大多数现代Transformer的线性层（尤其在前馈网络FFN中）不使用偏置项。
• 原因：
  • 性能相当。
  • 提升优化稳定性：经验观察表明，移除偏置项有助于稳定大型神经网络的训练。

激活函数 (Activations)

• 传统激活函数:
  • ReLU: max(0, x)。用于早期模型。
  • GeLU (Gaussian Error Linear Unit): x * CDF(Gaussian)。比ReLU平滑，GPT系列（1, 2, 3, J）使用。
• 门控线性单元 (Gated Linear Units - GLU):
  • 已成为现代模型的主流选择，如SwiGLU, GeGLU。Google的PaLM, T5等模型推动了其应用。
  • SwiGLU: (XW_1) * Swish(XW_gate)，其中Swish(x) = x * sigmoid(x)。这是目前非常流行的选择（Llama系列, PaLM, Olmo）。
  • GeGLU: (XW_1) * GeLU(XW_gate)。T5 v1.1, Gemma 2, Gemma 3使用。
  • 参数量调整: 为保持与非门控版本（其d_ff通常为 4 * d_model）参数量相当，采用GLU的模型的上投影维度（d_ff）通常调整为 (8/3) * d_model。这是通过将原先4倍的上投影系数乘以约2/3（准确来说是 (8/3)/4 = 2/3）来实现的，以补偿GLU引入的额外门控参数。
  • 效果: Noam Shazeer及Narang et al. (2020) 的研究表明GLU变体性能更优。
  • 并非绝对必要: 一些高性能模型未使用GLU，如GPT-3 (GeLU), Nemotron 340B (squared ReLU), Falcon 2 11B (ReLU)。

串行层 vs. 并行层 (Serial vs. Parallel Layers)

• 串行层 (Serial Layers - 标准方式): 输入先经过注意力模块，其输出再经过MLP模块。
• 并行层 (Parallel Layers): 注意力模块和MLP模块并行处理输入，然后将它们的输出相加。
  • 开创者：GPT-J，PaLM大规模使用。
  • 潜在优势：更好的并行性，可能提升GPU利用率和系统效率（通过融合内核）。
  • 近期趋势：多数新模型回归串行层。例外包括Cohere Command R/R+, Falcon Q 11B。
  • 讲者观点：并行层理论上更高效，串行层可能更具表达能力。

位置编码 (Position Embeddings)

• 早期方法:
  • 正弦/余弦编码 (Sinusoidal): 原始Transformer。
  • 绝对位置编码 (Absolute): 可学习的向量（GPT系列, OPT）。
  • 相对位置编码 (Relative): 在注意力计算中加入相对位置向量（T5, Gopher）。
• 旋转位置编码 (RoPE - Rotary Position Embeddings):
  • 已成为压倒性的共识选择，几乎所有近期的模型都使用RoPE。
  • 核心思想：通过旋转操作编码相对位置，使得词向量的内积仅依赖于它们的相对位置差。
    > "如果我有一个嵌入f(x_i)，其中x是词，i是位置，那么我应该能够将f(x_i)和f(y_j)的内积写成某个不同函数g，该函数是两个词和它们位置差的函数。"
  • 实现方式：将高维向量切分为2D块，对每个块应用旋转。旋转角度由位置决定，不同块有不同的旋转“速度”（theta值，非学习参数，类似傅里叶频率），以捕捉不同距离的依赖关系。
  • 应用位置：直接作用于注意力层中的查询（Query）和键（Key）向量，而不是在输入嵌入层添加。
  • 优势：良好的相对位置表达，有助于上下文长度外推。

超参数选择 (Hyperparameters)

讲座讨论了在训练语言模型时需要选择的关键超参数，并指出许多参数已有行业共识或经验法则。

• 前馈网络维度 (Feedforward Size - d_ff):
  • 对于ReLU/GeLU激活：普遍选择 d_ff = 4 * d_model。
  • 对于GLU激活（如SwiGLU）：为保持参数量与非门控版本近似，通常选择 d_ff = (8/3) * d_model ≈ 2.66 * d_model。许多模型（Llama, T5 v1.1）遵循此规则。
  • 例外：T5 11B模型使用了极端的 d_ff = 64 * d_model (1024 hidden dim, 65k d_ff)。Gemma 2使用8倍。
  • Kaplan et al. 的研究表明，d_ff / d_model 在1到10之间损失变化不大，4是一个合理的选择。
  • T5的后续版本T5 v1.1改用了更标准的约2.66倍。
• 注意力头维度 (Head Dimensions):
  • 标准做法：d_model = num_heads * d_head。即模型隐藏维度在多个头之间分配，增加头数时，每个头的维度相应减小，总维度不变。
  • 几乎所有主流模型（GPT-3, T5, LaMDA, PaLM, Llama 2）遵循此规则，比率为1。
  • T5是例外，比率为16。
  • 理论上，过多头数可能导致每头维度过低，影响表达能力，但实践中似乎问题不大。
• 宽高比 (Aspect Ratio - d_model / num_layers):
  • 控制模型的宽度（d_model）与深度（num_layers）。
  • 经验选择：大约 128个隐藏维度/每层 (如GPT-3, Llama系列)。
  • Kaplan et al. 的研究显示，在不同模型规模下，d_model / num_layers 约为100时性能最佳，且此比例相对稳定。
  • 系统并行策略（如流水线并行、张量并行）会受宽高比影响，网络条件也可能反过来影响此选择。
  • Levine et al. (Google) 研究指出，对于预训练损失，参数总量更关键；但对于下游任务微调后的准确率，相同FLOPs下更深的模型可能更好（此结论后续研究不多）。
• 词汇表大小 (Vocabulary Size):
  • 趋势向上。
  • 早期/单语模型：约30k-50k (如GPTs, 早期Llamas)。
  • 现代多语言/生产系统：100k - 250k (如GPT-4 tokenizer约100k, Cohere Command R词汇表更大)。
  • 原因：支持多语言、表情符号等；大模型能更好地利用大词汇表；对低资源语言更友好（每个词所需token数更少，降低推理成本）。
• Dropout与正则化:
  • Dropout: 在预训练大型语言模型时已不再流行。预训练通常只进行一轮（epoch），模型不太可能过拟合训练数据。
  • 权重衰减 (Weight Decay): 仍然普遍使用。
    • 目的：并非为了防止过拟合（实验表明有无权重衰减，训练/验证损失差距无显著变化）。
    • 实际作用：与学习率调度（如cosine decay）发生复杂交互。在训练后期，随着学习率降低，有权重衰减的模型能更快地优化，最终获得更好的训练损失。

模型训练稳定技巧 (Stability Tricks)

随着模型规模增大和训练时间延长，训练稳定性问题日益突出。

• 问题来源: Softmax操作是主要的不稳定因素（指数运算可能导致数值问题，除法可能遇到除零）。Transformer中有两处Softmax：输出层和自注意力内部。
• Z-loss (针对输出Softmax):
  • 目标：使Softmax的归一化项Z接近1（即log(Z)接近0）。
  • 方法：在损失函数中加入辅助项 alpha * log^2(Z_i)。
  • 应用：PaLM率先使用，后续Baichuan 2, DCLM, Olmo 2等模型采纳。
• QK Norm (针对注意力内部Softmax):
  • 方法：在计算Query和Key的点积之前，对Query和Key向量进行LayerNorm。
  • 作用：限制输入到Softmax的值的大小，从而控制Softmax的不良行为。
  • 起源：最初来自视觉/多模态模型社区 (DeiT III, Chameleon, Idefics)。
  • 应用：Gemma 2, DCLM, Olmo 2等文本模型采纳。
  • 讲者强调：> "LayerNorms在提升稳定性方面非常有效 (shockingly effective)。"
• Soft Capping Logits (针对注意力内部Softmax):
  • 方法：将注意力logit通过 tanh(logits / C) * C 进行软裁剪，其中C是预设的上限值。
  • 作用：限制logit的最大值。
  • 应用：Gemma 2, Olmo 2。
  • Nvidia的一项研究发现，Soft Capping可能损害性能，而QK Norm因允许更激进的学习率反而提升了性能。

注意力头变体 (Attention Head Variations)

主要为了提升推理效率和支持更长上下文。

• MQA (Multi-Query Attention) 和 GQA (Grouped-Query Attention):
  • 背景：标准多头注意力（MHA）在推理时，KV缓存的内存访问模式导致算术强度（arithmetic intensity, 计算量/内存访问量）较低，尤其受N/D项（序列长度/维度）影响。
  • MQA: 多个Query头共享单个Key头和Value头。显著减少KV缓存大小和内存移动，大幅提升推理时的算术强度。
  • GQA: MQA和MHA的折中。多个Query头，Key/Value头的数量少于Query头但多于1（分组共享）。在性能和推理效率间取得平衡。
• 长上下文与结构化注意力:
  • 早期思想 (OpenAI 2019): 稀疏注意力模式，如局部窗口注意力结合跨步或全局注意力。
  • 滑动窗口注意力 (Sliding Window Attention): 每个token只关注其邻近的一小块窗口。有效感受野随层数增加而扩大。
  • 近期进展 (Llama 4, Gemma, Cohere Command R): 混合注意力块。
    • 例如，周期性地插入一个使用全量自注意力但没有位置编码的Transformer块，而其他块则使用带RoPE的滑动窗口注意力。
    • 这种设计的好处：
      • 全量注意力不频繁，控制系统开销。
      • 全量注意力块无位置编码，有助于模型对超长距离依赖进行长度外推，而RoPE处理局部上下文。

核心观点总结

讲座系统梳理了现代语言模型在架构和超参数选择上的演进与共识，强调了从社区的集体经验中学习的重要性。关键的架构组件如层归一化（Prenorm, RMSNorm）、激活函数（SwiGLU等GLU变体）、位置编码（RoPE）已形成主流方案。超参数设定也存在普遍遵循的经验法则，如FFN扩展比例、宽高比等。近期发展重点关注训练稳定性（Z-loss, QK Norm）和针对长上下文及推理效率的注意力机制创新（MQA/GQA, 混合注意力模式）。核心思想是借鉴实证有效的方案来构建和训练更强大的语言模型。