详细介绍Qwen3技术报告中提到的模型架构技术

详细介绍Qwen3技术报告中提到的一些主流模型架构技术，并为核心流程配上相关的LaTeX公式。
这些技术都是当前大型语言模型（LLM）领域为了提升模型性能、训练效率、推理速度或稳定性而采用的关键组件。

---

1. Grouped Query Attention (GQA) - 分组查询注意力 🎯

• 目的：GQA 旨在在保持多头注意力（Multi-Head Attention, MHA）大部分优势的同时，显著降低推理时的显存占用和计算开销，从而加快推理速度。它介于标准的多头注意力和多查询注意力（Multi-Query Attention, MQA，所有查询头共享同一份键和值）之间。
• 工作原理：
  • 在标准的多头注意力中，每个“查询头”（Query Head）都有自己独立的“键头”（Key Head）和“值头”（Value Head）。
  • 在GQA中，查询头被分成 $N\_g$ 组，组内的 $N\_q/N\_g$ 个查询头共享同一份键头和值头。而不同组之间的键头和值头仍然是独立的。
  • 其中 $N\_q$ 是总查询头数。如果分组数 $N\_g=N\_q$，则GQA等同于MHA；如果 $N\_g=1$，则GQA退化为MQA。

多头注意力 (Multi-Head Attention - MHA)

---

分组查询注意力 (Grouped-Query Attention - GQA)

---

多查询注意力 (Multi-Query Attention - MQA)

• 优势：
  • 减少K/V缓存：在自回归生成（解码）过程中，需要缓存之前所有token的键（K）和值（V）状态。GQA通过减少K/V头的数量，显著降低了这部分缓存的大小，从而降低了显存占用，尤其在处理长序列时效果明显。
  • 提高推理效率：更少的K/V头意味着更少的计算量，尤其是在K/V投影和注意力得分计算的某些环节。
  • 性能保持：相比于MQA可能带来的较大性能损失，GQA通过分组共享的方式，能在很大程度上保留MHA的建模能力和性能，是一种较好的折中方案。
• Qwen3中的应用：Qwen3的稠密模型中明确提到了使用GQA。例如，Qwen3-0.6B有16个查询头，KV头数为8 ，这意味着可能分成了8组，每2个查询头共享一组KV。对于更大的模型如Qwen3-32B，有64个查询头，KV头数为8 ，则每8个查询头共享一组KV。MoE模型也采用了GQA，例如Qwen3-235B-A22B有64个查询头，KV头数为4，意味着每16个查询头共享一组KV。

---

2. SwiGLU - Sigmoid-Weighted Linear Unit (门控线性单元激活函数) активировать

• 目的：SwiGLU 是一种改进的激活函数，旨在通过引入门控机制来提升神经网络（尤其是Transformer模型中前馈网络FFN部分）的性能和表达能力 。
• 工作原理：
  • 传统的Transformer FFN层通常包含两个线性变换和一个ReLU（或GeLU）激活函数。
  • GLU（Gated Linear Unit）是一类激活函数，它将输入通过两个线性变换，然后将其中一个变换的结果通过Sigmoid函数（作为门控），再与另一个线性变换的结果进行逐元素相乘。
  • SwiGLU 是GLU的一个变体。在Transformer的FFN中，给定输入 $$\begin{gathered} x\in \\ mathbb{R}^d \end{gathered}$$，它通常通过三个权重矩阵 $W,V\in {\mathbb{R}}^{d\times d\_m}$ 和 $W\_2\in {\mathbb{R}}^{d\_m\times d}$ （其中 $d\_m$ 是中间隐藏层维度）进行计算。Qwen3报告中引用的Dauphin et al. (2017) 的工作，以及后续如PaLM、LLaMA等模型采用的形式，通常是：
    $$\text{SwiGLU}(x,W,V)={\text{Swish}}_{\beta }(xW)\odot (xV)$$
    其中 $\odot$ 表示逐元素乘积，$\text{Swish}\_\beta (y)=y\cdot \sigma (\beta y)$ 是Swish激活函数，$\sigma$ 是Sigmoid函数 $\sigma (z)=(1+e^{-z}{)}^{-1}$，$\beta$ 通常设为1。
    然后，这个结果会再通过一个线性层 $W\_2$：
    $${\text{FFN}}_{\text{SwiGLU}}(x)=({\text{Swish}}_{\beta }(xW)\odot (xV))W_2$$

Mermaid 代码 (SwiGLU FFN层流程示意图):

• 优势：
  • 更强的表达能力：门控机制允许网络根据输入动态地调整激活的强度，从而捕获更复杂的模式。
  • 更好的性能：在许多LLM的实验中，使用SwiGLU（或其他GLU变体）替换传统的ReLU或GeLU，能在保持参数量大致相当（通过调整隐藏层大小）的情况下，带来模型性能的提升。
• Qwen3中的应用：Qwen3的稠密模型和MoE模型均明确采用了SwiGLU作为激活函数。

---

3. Rotary Positional Embeddings (RoPE) - 旋转位置嵌入 🔄

• 目的：RoPE 是一种用于在Transformer模型中注入相对位置信息的方法，它旨在克服传统绝对位置编码在处理长序列和泛化性方面的一些局限 。
• 工作原理：
  • RoPE的核心思想是将位置信息编码到查询（Q）和键（K）向量中，通过对Q和K向量应用一个与它们在序列中的绝对位置 $m$ 相关的旋转矩阵 $R\_m$。
  • 具体来说，对于一个 $d$ 维的Q或K向量 $x=[x\_0,x\_1,\dots ,x\_d-1{]}^T$，可以将其视为 $d/2$ 个二维向量的拼接 $x\_j=[x\_2j,x\_2j+1{]}^T$。RoPE对每个这样的二维子向量应用一个旋转操作 ：
    $$R_m{x}_j=\left(\begin{array}{cc}\cos (m{\theta }_j)& -\sin (m{\theta }_j)\\ \sin (m{\theta }_j)& \cos (m{\theta }_j)\end{array}\right)\left(\begin{array}{c}{x}_{2j}\\ x_{2j+1}\end{array}\right)$$
    其中 $m$ 是token的绝对位置，$theta\_j=10000^{-2j/d}$ 是一组预定义的、与维度相关的非负频率。
  • 经过RoPE编码后的查询向量 $q\_m$ 和键向量 $k\_n$（它们原始未编码前分别为 $q$ 和 $k$），它们的内积满足：
    $$⟨R_{m}q,R_{n}k⟩=\Re (\sum _{j=0}^{d/2-1}(q_{2j}+i{q}_{2j+1})(k_{2j}-i{k}_{2j+1})e^{i(m-n){\theta }_j})$$
    这个内积仅取决于它们的相对位置 $(m-n)$ 和它们原始的内容。

Mermaid 代码 (RoPE 位置编码示意图):

• 优势：
  • 编码相对位置：注意力得分自然地依赖于相对距离，这更符合许多序列任务的本质。
  • 良好的外推性：由于其周期性和相对编码的特性，RoPE在处理比训练时更长的序列时，表现出比某些绝对位置编码更好的泛化能力（尽管也有限度，需要配合YARN等技术进一步扩展）。
  • 实现简单：它直接作用于Q和K向量，不需要额外的位置编码层或参数。
• Qwen3中的应用：Qwen3的稠密模型和MoE模型均使用了RoPE 。报告还提到，在预训练的第三阶段（长上下文阶段），遵循Qwen2.5的做法，使用ABF技术将RoPE的基础频率从10,000增加到1,000,000 ，并引入YARN 和双块注意力（DCA） 以在推理时实现序列长度容量的四倍增加 。

---

4. RMSNorm (Root Mean Square Layer Normalization) - 均方根层归一化 ⚖️

• 目的：RMSNorm 是对传统层归一化（Layer Normalization, LN）的一种简化，旨在减少计算量，提高效率，同时保持与LN相当或稍优的性能。
• 工作原理：
  • 传统的LN首先计算输入 $x\in {\mathbb{R}}^d$ 的均值 $\mu =\frac{1}{d}\sum x\_i$ 和方差 ${\sigma }^2=\frac{1}{d}\sum (x\_i-\mu {)}^2$，然后归一化 $\hat{x}\_i=\frac{x\_i-\mu }{\sqrt{{\sigma }^2+ϵ}}$，最后进行仿射变换 $y\_i=\gamma \hat{x}\_i+\beta$。
  • RMSNorm移除了均值的计算和减去均值的操作，它只对输入进行重新缩放，缩放因子是输入的均方根（Root Mean Square）。其公式为：
    $$\text{RMS}(x)=\sqrt{\frac{1}{d}\sum _{i=1}^d{x}_i^2}$$ $${\text{output}}_i=\frac{x_i}{\text{RMS}(x)+ϵ}\cdot {\gamma }_i$$
    其中 $ϵ$ 是一个很小的常数以防止除零。它通常不使用偏移因子 $beta$（或者说 $\beta$ 固定为0）。

Mermaid 代码 (LayerNorm 与 RMSNorm 对比示意图):

• 优势：
  • 计算效率更高：由于不需要计算均值，RMSNorm比LN的计算量更少，尤其是在GPU上可以更快。
  • 性能相当或略好：在许多Transformer的实验中，RMSNorm被证明能够达到与LN相当甚至有时略好的性能，同时具有更好的效率。
• Qwen3中的应用：Qwen3的稠密模型和MoE模型均采用了RMSNorm，并且是预归一化（Pre-Normalization）的形式。预归一化是指在进入Transformer的子层（如自注意力层或FFN层）之前进行归一化，这通常有助于稳定训练。

---

5. QK-Norm (Query-Key Normalization) 🛡️

• 目的：为了进一步稳定大型Transformer模型的训练过程，特别是在注意力机制内部。不稳定的注意力得分可能导致梯度爆炸或消失。
• 工作原理：
  • QK-Norm通常是指在计算注意力得分之前，对查询（Q）和/或键（K）向量进行某种形式的归一化。
  • 报告中提到引入QK-Norm是为了确保Qwen3的稳定训练，并引用了Dehghani et al. (2023) 的工作 “Scaling vision transformers to 22 billion parameters” 。在该论文中，他们对Q和K分别应用了L2归一化，然后再计算点积 。
    $$Q_{\text{norm}}=\frac{Q}{\Vert Q{\Vert }_2}$$$$K_{\text{norm}}=\frac{K}{\Vert K{\Vert }_2}$$$$\text{AttentionScore}(Q,K)=\frac{Q_{\text{norm}}{K}_{\text{norm}}^T}{\sqrt{d_k}}$$
    其中 $d\_k$ 是键向量的维度。

Mermaid 代码 (QK-Norm 在注意力计算中的应用示意图):

• 优势：
  • 稳定训练：通过限制Q和K向量的范数，可以防止注意力得分过大或过小，从而使得训练过程更加稳定，尤其是在使用较低精度（如bfloat16）进行训练时。
  • 可能改善性能：在一些情况下，这种归一化也有助于模型学习。
• Qwen3中的应用：Qwen3明确指出在注意力机制中引入了QK-Norm以确保稳定训练 。

---

6. 移除 QKV-bias (Query-Key-Value bias) ✂️

• 背景：在Transformer的早期版本或某些实现中，用于生成Q、K、V向量的线性投影层（即 $Q=XW\_Q,K=XW\_K,V=XW\_V$）可能会包含偏置项（bias terms），例如 $Q=XW\_Q+b\_Q$。
• 目的：移除这些偏置项 $b\_Q,b\_K,b\_V$。
• 原因/优势：
  • 简化模型/减少参数：虽然减少的参数量不多，但符合模型设计趋向简洁的趋势。
  • 可能提升稳定性或性能：在一些现代Transformer架构的实践中发现，移除这些偏置项并不会损害性能，有时甚至可能因为减少了模型的自由度或改变了优化的动态而略微有益于训练的稳定性或最终性能。层归一化（如RMSNorm）的存在可能使得这些偏置项变得不那么必要。
  • 与归一化层的关系：当使用如LayerNorm或RMSNorm这类对整个激活向量进行操作的归一化层时，线性变换中的偏置项的效果可能会被归一化过程部分抵消或变得冗余。
• Qwen3中的应用：Qwen3明确提到了移除了在Qwen2中使用的QKV-bias 。这表明团队在Qwen3的设计中，基于实验或业界趋势，认为移除这些偏置项对于模型的性能和稳定性是中性或有利的。

---

综上所述，Qwen3采用的这些架构技术都是为了在模型的表达能力、训练稳定性、推理效率和整体性能之间取得更好的平衡，这些是当前大模型研发中非常关键的考量因素。