【大模型学习】现代大模型架构（一）: 组注意力机制（GQA）和 RMSNorm

前言

​

✍ 在大模型论文学习中，相信很多读者和笔者一样，一开始都会有一种感觉：“现在大模型架构都差不多，主要是数据和算力在堆积。”当笔者慢慢总结LLaMA、Qwen、DeepSeek这些模型架构的时候发现，在 Attention、位置编码、FFN 与归一化 上，其实已经悄悄从经典 Transformer 走到了另一套“默认配置”。相较于最初的 Transformer，现在的主流大模型在架构上，已经逐渐从：

• MQA → GQA（Grouped Query Attention）
• 绝对位置编码 → RoPE（Rotary Positional Embedding）
• ReLU / GELU 前馈网络 → SwiGLU 前馈网络
• LayerNorm → RMSNorm + Pre-Norm
• ...

因此，在本文的学习中，我们主要聚焦于目前的大模型”默认配置“的学习，了解现在的”Transformer“!

一、现如今的”Transformer“

读者肯定很疑惑，为什么我要把第一章名字起为现如今的”Transformer“，实际上在以前，不管是科研还是工作，大家都会把Transformer作为一个baseline去进行优化，就像BERT、GPT等等，一直沿用的是Transformer的架构。但到了现在，研究者发现其中模块的更替可以达到更好的的效果。因此，现如今的大模型，已经不再直接将以前的Transformer架构作为baseline，而是将更换了模块的Transformer架构作为baseline。那现如今的baseline模块长什么样子呢，笔者统计了比较经典的模块所采用的注意力机制、位置编码、MLP激活层以及归一化的方式:

如表格所示, 对比早期 GPT/BERT 模型我们就可以发现了，现如今大模型的各个模块都有所改变：

• 注意力机制：MQA → GQA（Grouped Query Attention）
• 位置编码： 绝对位置编码 → RoPE（Rotary Positional Embedding）
• MLP 激活层：ReLU / GELU 前馈网络 → SwiGLU 前馈网络
• 归一化： LayerNorm → RMSNorm + Pre-Norm

所以如果你能把这四件套讲明白，基本就把现代 LLM 架构里 理清，并且可以快速找到文章的贡献点。

二、Attention Serious

2.1 Multi-Head Attention (MHA)

首先来回顾一下以前的注意力机制：

$\text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right)V$

在标准的自注意力中，我们通过 $QK^T / \sqrt{d_k}$ 来计算不同 token 之间的注意力权重。但作者发现，仅用一个注意力头往往难以同时捕捉多种语义关系（如词法、语义、句法等）。因此，Transformer 提出了多头注意力机制 (Multi-Head Attention, MHA)。

将输入特征通过不同的线性投影矩阵，映射到多个低维子空间中：

$\text{head}_i = \text{Attention}(QW_i^Q, , KW_i^K, , VW_i^V)$

然后将所有头拼接（concatenate）再线性变换：

$\text{MultiHead}(Q,K,V) = \text{Concat}(\text{head}\_1, \dots, \text{head}\_h) W^O$

MHA通过多个小头可以从不同角度捕捉语义信息，增强模型的表达能力和稳定性，比单头更鲁棒。

• 代码手撕

import torch
import torch.nn as nn
import torch.nn.functional as F
class MultiHeadAttention(nn.Module):

def init(self, d_model, num_heads, dropout=0.0):

super().init()

assert d_model % num_heads == 0

self.d_model = d_model

self.num_heads = num_heads

self.head_dim = d_model // num_heads
    self.w_q = nn.Linear(d_model, d_model)
    self.w_k = nn.Linear(d_model, d_model)
    self.w_v = nn.Linear(d_model, d_model)
    self.w_o = nn.Linear(d_model, d_model)
    self.dropout = nn.Dropout(dropout)

def forward(self, x, attn_mask=None):
    """
    x: [B, L, d_model]
    """
    B, L, _ = x.size()

    # 1. 线性投影
    Q = self.w_q(x)  # [B, L, d_model]
    K = self.w_k(x)
    V = self.w_v(x)

    # 2. reshape 为 [B, H, L, Dh]
    def reshape_heads(t):
        return t.view(B, L, self.num_heads, self.head_dim).transpose(1, 2)
    Q = reshape_heads(Q)
    K = reshape_heads(K)
    V = reshape_heads(V)
    # Q,K,V: [B, H, L, Dh]

    # 3. 缩放点积注意力
    scores = Q @ K.transpose(-2, -1) / (self.head_dim ** 0.5)  # [B, H, L, L]
    if attn_mask is not None:
        scores = scores.masked_fill(attn_mask == 0, float('-inf'))
    attn = F.softmax(scores, dim=-1)
    attn = self.dropout(attn)

    out = attn @ V  # [B, H, L, Dh]

    # 4. 合并头
    out = out.transpose(1, 2).contiguous().view(B, L, self.d_model)
    return self.w_o(out)

2.2 Multi-Query Attention (MQA)

有了 MHA 之后，大家第一反应是：头越多越好，越能学到多种语义关系。但在大模型、尤其是 Decoder-Only + 长上下文 + 自回归生成 的场景下，MHA 暴露出了一个非常现实的问题：

KV Cache 太贵了。

在自回归生成过程中，每生成一个新 token，都需要用到历史所有位置的$K, V$

• 对于标准 MHA：每个注意力头都维护一份自己的 $K\_h, V\_h$
• 如果有 $h$ 个头，那么 KV Cache 的内存开销大致是: $\mathcal{O}(h \cdot L \cdot d_{\text{head}})$

当我们把头数堆到 32、64 甚至更多，再把上下文长度拉到 32K、64K 时，这个开销就会变成显存吞噬怪，直接限制推理速度与可部署性。因此，为了在几乎不损失模型效果的前提下，压缩 KV Cache 和带宽成本，就提出了 Multi-Query Attention（MQA）。

MHA中的每一个头都是独享一份$K, V$，相反的，MQA 提出了所有的头共享同一份$K, V$也就是说，只保留一组 $W^K, W^V$ ，而 $W_i^Q$ 仍然为每个头独立：

$ Q_i = X W_i^Q,\quad K = X W^K,\quad V = X W^V. $

于是每个头的注意力就变成：

$ \text{head}_i = \text{Attention}(Q_i, K, V) = \text{softmax}\left(\frac{Q_i K^\top}{\sqrt{d_k}}\right) V. $

最后依然是拼接再线性变换：

$ \text{MQA}(X) = \text{Concat}(\text{head}_1, \dots, \text{head}_h) W^O. $

💡 经验发现“多 KV”并没有带来线性收益, Q 仍然是多头的，多头仍能捕捉多种语义关系。

• 代码手撕

class MultiQueryAttention(nn.Module):
    def __init__(self, d_model, num_heads, dropout=0.0):
        super().__init__()
        assert d_model % num_heads == 0
        self.d_model = d_model
        self.num_heads = num_heads
        self.head_dim = d_model // num_heads
    self.w_q = nn.Linear(d_model, d_model)
    # 注意：K/V 只有一组，所以输出维度是 head_dim
    self.w_k = nn.Linear(d_model, self.head_dim)
    self.w_v = nn.Linear(d_model, self.head_dim)
    self.w_o = nn.Linear(d_model, d_model)
    self.dropout = nn.Dropout(dropout)

def forward(self, x, attn_mask=None):
    """
    x: [B, L, d_model]
    """
    B, L, _ = x.size()

    # 1. 多头 Q
    Q = self.w_q(x)  # [B, L, d_model]
    Q = Q.view(B, L, self.num_heads, self.head_dim).transpose(1, 2)
    # Q: [B, H, L, Dh]

    # 2. 单头 K/V
    K = self.w_k(x)  # [B, L, Dh]
    V = self.w_v(x)  # [B, L, Dh]

    # 3. 为了和 Q 匹配，将 K/V 在头维上 broadcast
    K = K.unsqueeze(1)  # [B, 1, L, Dh]
    V = V.unsqueeze(1)  # [B, 1, L, Dh]
    K = K.expand(B, self.num_heads, L, self.head_dim)
    V = V.expand(B, self.num_heads, L, self.head_dim)

    # 4. 缩放点积注意力（与 MHA 相同）
    scores = Q @ K.transpose(-2, -1) / (self.head_dim ** 0.5)  # [B, H, L, L]
    if attn_mask is not None:
        scores = scores.masked_fill(attn_mask == 0, float('-inf'))
    attn = F.softmax(scores, dim=-1)
    attn = self.dropout(attn)

    out = attn @ V  # [B, H, L, Dh]
    out = out.transpose(1, 2).contiguous().view(B, L, self.d_model)
    return self.w_o(out)

2.3 Grouped Query Attention (GQA)

根据前面两节的分析，我们可以总结出：

• MHA：每个头都有独立的 $K_h, V_h$ ，表达能力强，但 KV Cache 成本最高；
• MQA：所有头共享同一份 $K, V$ ，KV Cache 成本最低，但多头之间视角差异弱，表达能力稍打折

于是就自然出现了一个折中思路：能不能在 “省 KV” 和 “头之间有点差异” 之间找个平衡？这就是 Grouped-Query Attention（GQA）。GQA 的核心思想：Q 仍然是很多头，但 K/V 的头数减少为更少的组（num_kv_heads），每组 KV 服务若干个 Q 头。

• 代码手撕

class GroupedQueryAttention(nn.Module):
    def __init__(self, d_model, num_q_heads, num_kv_heads, dropout=0.0):
        super().__init__()
        assert d_model % num_q_heads == 0
        assert num_q_heads % num_kv_heads == 0
    self.d_model = d_model
    self.num_q_heads = num_q_heads
    self.num_kv_heads = num_kv_heads
    self.head_dim = d_model // num_q_heads
    self.group_size = num_q_heads // num_kv_heads  # 每组多少个 Q 头共享一个 KV

    self.w_q = nn.Linear(d_model, d_model)
    self.w_k = nn.Linear(d_model, num_kv_heads * self.head_dim)
    self.w_v = nn.Linear(d_model, num_kv_heads * self.head_dim)
    self.w_o = nn.Linear(d_model, d_model)
    self.dropout = nn.Dropout(dropout)

def forward(self, x, attn_mask=None):
    """
    x: [B, L, d_model]
    """
    B, L, _ = x.size()

    # 1. Q: 多头； K/V: 少量头
    Q = self.w_q(x)  # [B, L, d_model]
    K = self.w_k(x)  # [B, L, num_kv_heads * head_dim]
    V = self.w_v(x)

    Q = Q.view(B, L, self.num_q_heads, self.head_dim).transpose(1, 2)
    K = K.view(B, L, self.num_kv_heads, self.head_dim).transpose(1, 2)
    V = V.view(B, L, self.num_kv_heads, self.head_dim).transpose(1, 2)
    # Q: [B, Hq,  L, Dh]
    # K,V: [B, Hkv, L, Dh]

    # 2. 将每个 KV 头“扩展”为 group_size 个 Q 头使用
    #    例如 Hq=8, Hkv=2 -> group_size=4
    K = K.repeat_interleave(self.group_size, dim=1)  # [B, Hq, L, Dh]
    V = V.repeat_interleave(self.group_size, dim=1)

    # 3. 缩放点积注意力
    scores = Q @ K.transpose(-2, -1) / (self.head_dim ** 0.5)  # [B, Hq, L, L]
    if attn_mask is not None:
        scores = scores.masked_fill(attn_mask == 0, float("-inf"))
    attn = F.softmax(scores, dim=-1)
    attn = self.dropout(attn)

    out = attn @ V  # [B, Hq, L, Dh]

    # 4. 合并头
    out = out.transpose(1, 2).contiguous().view(B, L, self.d_model)
    return self.w_o(out)

三、归一化：LayerNorm → RMSNorm + Pre-Norm

在 Transformer 里，归一化（Normalization）主要解决两个问题：

1. 深层网络训练不稳定：梯度可能爆炸或消失；
2. 不同层输出分布漂移，导致学习变慢。

最早的 Transformer 使用的是 LayerNorm + Post-Norm 残差结构（指在全连接层后跟上一个归一化层）

但到了 LLaMA、DeepSeek 等大模型时，大家开始逐渐转向：RMSNorm + Pre-Norm（指在全连接层前跟上一个归一化层）

🔹 Post-Norm（原始 Transformer 用法）

最早的 Transformer 论文（Attention Is All You Need）使用的是 Post-Norm,代码结构类似：

# Post-Norm 结构
out = x + sublayer(x)
out = layer_norm(out)

🔹 Pre-Norm（现代 LLM 常用）

大多数现代 LLM（如 LLaMA、DeepSeek 系列）改成了 Pre-Norm：代码结构类似：

# Pre-Norm 结构
h = layer_norm(x)
out = x + sublayer(h)

💡 实践上，Pre-Norm 再配合 RMSNorm，只调节尺度不改均值，在 Decoder-only 结构里训练更稳定、实现也更简单。

3.1 LayerNorm

Layer Normalization（LN）是在 Transformer 中使用最广的归一化方式之一。给定一个 token 的隐藏表示 $x \in \mathbb{R}^{d}$ ，LayerNorm 对其 特征维度 进行归一化：

$ \mu = \frac{1}{d} \sum_{i=1}^{d} x_i,\quad \sigma^2 = \frac{1}{d} \sum_{i=1}^{d} (x_i - \mu)^2 $

$ \text{LN}(x) = \frac{x - \mu}{\sqrt{\sigma^2 + \epsilon}} \cdot \gamma + \beta $

其中：

• $\gamma, \beta \in \mathbb{R}^{d}$ 是可学习的缩放和平移参数；
• 归一化是在单个样本、单个 token 的通道维度上完成的。

🧠 直觉理解：

对每个 token 的特征做一遍“标准化 + 线性变换”， 让每一层看到的分布更平滑，避免某些维度过大/过小导致训练不稳。

在 PyTorch 中，你平时看到的 nn.LayerNorm 就是这个东西：

import torch
import torch.nn as nn
x = torch.randn(2, 4, 8)  # [B, L, d_model]

ln = nn.LayerNorm(8)

y = ln(x)  # 每个位置的最后一维做 LN

🧠 1.为什么不用 BatchNorm，而用 LayerNorm / RMSNorm？(面经)

这一问是面试官很喜欢的一个考点，尤其是 Transformer / LLM 岗位。核心区别在于：归一化时用哪些维度来统计均值与方差。

• BatchNorm（BN）：
  • 在 CV 里常用，对 batch 维度 + 空间维度 做统计；
  • 对每个通道c，使用整批数据的统计量：$mu_c = \mathbb{E}_{N,H,W}x\_{n,c,h,w}$
• LayerNorm（LN）：
  • 对单个样本、单个 token 的所有特征求均值和方差，不依赖 batch 大小。

在 Transformer / LLM 场景中，BN 存在几个问题：

1. 序列长度不固定：BN 在变长序列上不自然，统计维度不好选；
2. 推理阶段 batch 很小甚至为 1：BN 的 running mean/var 与训练时差异大，容易分布漂移；
3. 自注意力中不同 token 之间差异大：BN 混合不同 token 的统计量，会引入额外噪声。

因此，大模型里更偏向用 LayerNorm / RMSNorm 这种“不依赖 batch、只看自己”的归一化方式。

3.2 RMSNorm

RMSNorm 是基于“层归一化中主要起作用的是缩放因子，而非平移因子”这个发现而提出的归一化方法。在层归一化中需要减去均值，而模型在训练过程中已经学会通过投影矩阵自动调节均值；而 $\gamma$ 的作用是调整每一维的相对 scale，是表达力的核心。给定 $x \in \mathbb{R}^d$ ，RMSNorm 的公式为：

$\text{RMS}(x) = \sqrt{\frac{1}{d} \sum\_{i=1}^{d} x\_i^2 + \epsilon}$

$\text{RMSNorm}(x) = \frac{x}{\text{RMS}(x)} \cdot \gamma$

🧠 直觉理解：

RMSNorm 更像是“把这个向量整体缩放到一个合适能量水平”， 不去把它“拉回 0 均值”，只控制它的尺度。

💡 实践上，在 Decoder-only 大模型里：RMSNorm + Pre-Norm 组合在超深层网络（几十层）上表现更稳定，这也是 LLaMA / DeepSeek / Qwen 等系列广泛采用它的原因之一。

• 代码手撕

class RMSNorm(nn.Module):
    def __init__(self, d_model, eps=1e-8):
        super().__init__()
        self.weight = nn.Parameter(torch.ones(d_model))
        self.eps = eps
def forward(self, x):
    """
    x: [B, L, d_model]
    """
    # 均方根：sqrt(mean(x^2))
    rms = x.pow(2).mean(dim=-1, keepdim=True).add(self.eps).sqrt()
    x_norm = x / rms
    return self.weight * x_norm

四、总结

本章我们先把现代大模型里的两块“基础设施”打牢：一块是从 MHA → MQA → GQA 的注意力演化，用更少的 KV 头（甚至共享 KV）在不明显掉点的前提下，大幅降低 KV Cache 与长上下文显存开销；另一块是从 LayerNorm → RMSNorm + Pre-Norm 的归一化升级，用“只归一化能量”的 RMSNorm 配合 Pre-Norm 结构，让超深的 Decoder-only 模型在训练和推理中都更加稳定。后面的章节，我们再把 RoPE / SwiGLU / MoE / MLA 这些“进阶武器”一个个拆开，拼成一整套现代 LLM 的“架构面经图谱”。