多头注意力里的按头缩放讨论
stochasticchasm · x · 2026-07-16
这条回复在讨论多头注意力里的一个参数化细节：
- 对方提到许多 LLM 里只是对 qproj(x) 做 qnorm，每个 head 的 q/k 向量并不会按 \sqrt(dhead) 去缩放。
- 这里追问的是为什么不使用“按 head 独立的 gain”（例如 nn.RMSNorm((nhead, dhead), ...)）来做 per head gain。
- 回答给出的判断是：这属于 muP 相关思路。
- 另一条回复补充说，这种基于每个 head 的 qk 归一化来解释 attention 做 1/d 缩放的说法，本身也可能是个新点子。
所属事件:研究者讨论现代 LLM 的 1/d 注意力缩放(6 条相关)→
「研究」频道最新
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11