多头注意力缩放与per-head gain
SeunghyunSEO7 · x · 2026-07-16
在讨论多头注意力时，有人指出很多 LLM 现在其实是直接对 qproj(x) 做 qnorm，每个 head 的 q/k 并不是按 \sqrt(dhead) 去缩放。
回复里提到：1/dhead 的缩放思路来自 muP；之所以需要遵循类似 LLN 的直觉，是因为 q 和 k 一开始就可能已经对齐。另一个观点是，如果 q、k 先经过 \sqrt{dhead} gain 级别的缩放，那么它们点积会变成 dhead (qgain, kgain) cos(θ)，因此“per head gain”的设计值得再推敲。
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
- 新论文:数学数据放训练前段还是末段,取决于学习率调度 — alifcoder · 2026-10-27
- 医疗评测：Kimi K3 平 GPT-6，但疑难病例开源落后 17 个百分点 — keunwoochoi · 2026-10-27
- 数据课程与学习率调度应协同设计：数学数据放置策略随 LR 翻转 — CatAstro_Piyush · 2026-10-27
- 健康专项榜单洗牌：综合第 9 的开源模型跃居 Health Index 第一 — keunwoochoi · 2026-10-27
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- Goodfire 投入 1000 万美元启动 AI 版「人类基因组计划」破解可解释性 — CatAstro_Piyush · 2026-10-27