聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)載發(fā)布。

客座嘉賓：鐘怡然

整理：劉倩 程曼祺

往期節(jié)目里，我們采訪了清華大學(xué)兩位博士生肖朝軍和傅天予，圍繞稀疏注意力機(jī)制的改進(jìn)展開討論，并通過注意力機(jī)制的線索，串聯(lián)起大模型的優(yōu)化歷程。

除了稀疏注意力機(jī)制的改進(jìn)，我們還深入探討了另一大改進(jìn)方向：線性注意力。

今年1月，開源大模型MiniMax發(fā)布，參數(shù)規(guī)模達(dá)到了4560億，該模型正是采用了他們開發(fā)的線性注意力機(jī)制“Lightning Attention”。

本次特別邀請(qǐng)了該項(xiàng)目的負(fù)責(zé)人、MiniMax高級(jí)研究總監(jiān)鐘怡然，與我們共同探討線性注意力的研發(fā)歷程。鐘怡然目前負(fù)責(zé)大模型網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)工作，正在開發(fā)一個(gè)多模態(tài)深度推理模型。

鐘怡然曾在上海人工智能實(shí)驗(yàn)室擔(dān)任青年科學(xué)家，是新架構(gòu)探索組的負(fù)責(zé)人；他擁有博士學(xué)位，師從李宏?yáng)|教授和澳大利亞科學(xué)院院士Richard Hartley。他在國(guó)際頂級(jí)學(xué)術(shù)會(huì)議和期刊上發(fā)表了20多篇關(guān)于模型新架構(gòu)的論文，涵蓋了當(dāng)前多類非Transformer架構(gòu)，包括線性注意力機(jī)制、長(zhǎng)卷積和線性循環(huán)網(wǎng)絡(luò)。

2021年，線性注意力的概念還處于理論探討階段，怡然與團(tuán)隊(duì)開始致力于其實(shí)現(xiàn)工作。

到2024年下半年，當(dāng)MiniMax利用大量算力資源訓(xùn)練4560億參數(shù)的新型模型01時(shí)，線性架構(gòu)在大規(guī)模模型上的應(yīng)用仍存在疑慮。然而， MiniMax創(chuàng)始人閆俊杰最終決定投入超過80%的研發(fā)資源。

建模過程并非投機(jī)取巧式的賭注。在訓(xùn)練MiniMax-01之前，MiniMax團(tuán)隊(duì)進(jìn)行了3700次預(yù)訓(xùn)練測(cè)試，以預(yù)測(cè)這種新架構(gòu)在更大參數(shù)模型上的表現(xiàn)（其中許多是小規(guī)模實(shí)驗(yàn)）。

在性能上，從計(jì)算方法推導(dǎo)來看，當(dāng)處理的序列變得極為長(zhǎng)時(shí)，線性注意力在計(jì)算性能上的優(yōu)勢(shì)將逐漸超過稀疏注意力。

但從實(shí)際效果來看，也就是線性注意力架構(gòu)的模型是否能達(dá)到甚至超越 Transformer 模型的智力水平。目前還沒有人能夠給出一個(gè)具有絕對(duì)說服力的答案。

這也是 MiniMax 技術(shù)后續(xù)進(jìn)展中可能會(huì)揭示的謎團(tuán)。

* 以下是本期播客節(jié)目實(shí)錄，有文字精簡(jiǎn)。正文中的（注：……）為編輯注釋。

“線性注意力在處理更大規(guī)模的模型時(shí)，優(yōu)勢(shì)將更加顯著”

晚點(diǎn)：怡然，可以先和我們的聽眾簡(jiǎn)單介紹一下自己?jiǎn)幔?/p>

鐘怡然：我目前是 MiniMax 的高級(jí)研究總監(jiān)，主要負(fù)責(zé)模型結(jié)構(gòu)設(shè)計(jì)和多模態(tài)理解大模型。我主導(dǎo)設(shè)計(jì)了 MiniMax-01 新一代的網(wǎng)絡(luò)架構(gòu)，此前曾在上海人工智能實(shí)驗(yàn)室擔(dān)任青年科學(xué)家，是新架構(gòu)探索組的負(fù)責(zé)人，負(fù)責(zé)新一代非 Transformer 架構(gòu)的研發(fā)及視聽多模態(tài)融合。

我們同時(shí)也在新架構(gòu)的工程實(shí)現(xiàn)上進(jìn)行深入研究，相當(dāng)于在新架構(gòu)中引入了一些并行優(yōu)化策略。針對(duì)國(guó)產(chǎn)集群通信系統(tǒng)效率不足的問題，我們開發(fā)了異步優(yōu)化器，并在計(jì)算機(jī)視覺和自然語(yǔ)言處理領(lǐng)域進(jìn)行了有效性驗(yàn)證。

晚點(diǎn)：其實(shí)不只是我們，各大公司都在對(duì)注意力機(jī)制進(jìn)行優(yōu)化，這個(gè)背景是什么？

鐘怡然：因?yàn)?Transformer 有一個(gè)顯著的問題：顯存占用和計(jì)算復(fù)雜度呈平方增長(zhǎng)（注：二次復(fù)雜度即平方增長(zhǎng)——隨著模型處理序列長(zhǎng)度的增加，計(jì)算復(fù)雜度呈平方增長(zhǎng)）。FlashAttention 解決了顯存問題，但計(jì)算復(fù)雜度問題仍然存在。

學(xué)術(shù)界最早嘗試采用“稀疏注意力”來減少計(jì)算量，但這種方法無(wú)法完全解決二次復(fù)雜度的問題。不過，在一段時(shí)期內(nèi)，計(jì)算能力的提升掩蓋了這一問題的緊迫性：從V100到A100再到H100（英偉達(dá)的三代高性能GPU），計(jì)算能力的提升非常顯著。因此，現(xiàn)在很多大型模型仍然采用Transformer架構(gòu)，其序列長(zhǎng)度可以達(dá)到一定的擴(kuò)展，例如擴(kuò)展到128K、256K。

我們一直致力于解決計(jì)算中的二次復(fù)雜度問題，因此在2021年，當(dāng)線性注意力剛起步時(shí)，我們就開始探索這一方向。線性注意力機(jī)制其實(shí)非常簡(jiǎn)單，其核心在于注意力計(jì)算的Q、K、V相乘過程。

如果按照QK乘以V的方式進(jìn)行計(jì)算，計(jì)算復(fù)雜度是二次的；而如果先進(jìn)行KV乘以Q的操作，計(jì)算復(fù)雜度則可以保持一次（線性）水平，增長(zhǎng)量不會(huì)過多。因此，線性注意力的本質(zhì)是將左乘轉(zhuǎn)換為右乘的形式。

晚點(diǎn)：你們當(dāng)時(shí)有沒有嘗試過稀疏注意力的方向？

鐘怡然：在2021年的時(shí)候，我們確實(shí)嘗試過，但當(dāng)時(shí)的效果和運(yùn)行效率都不盡如人意。實(shí)際上，這與線性注意力面臨同樣的挑戰(zhàn)：稀疏注意力的效果并不如Softmax Attention，提升的空間非常有限。

此外，我注意到稀疏注意力存在一定的逼近性問題。因?yàn)锳ttention Metrics（注意力值矩陣）是一個(gè)完整的N×N矩陣，而稀疏注意力僅計(jì)算其中有限個(gè)注意力分?jǐn)?shù)（Attention Score）。這自然會(huì)降低計(jì)算復(fù)雜度，但這種降維處理是有犧牲的。我們認(rèn)為這得不償失。

晚點(diǎn)：你們對(duì)NSA（稀疏注意力）和MoBA（包括最近微軟亞研院SeerAttention在內(nèi)的最新成果）在效果和效率上的表現(xiàn)有何看法？它們帶來了哪些新的認(rèn)知？

鐘怡然：具體來說，我們還在進(jìn)行進(jìn)一步的實(shí)驗(yàn)。從我們目前的實(shí)驗(yàn)結(jié)果來看，Lightning Attention（MiniMax-01中采用的混合注意力機(jī)制）在模型參數(shù)量越大時(shí)，帶來的優(yōu)化效果越明顯。

我們還測(cè)試了DeepSeek提出的MLA（一種減少顯存開銷的注意力優(yōu)化方法）以及清華提出的TPA（同樣一種減少顯存開銷的注意力優(yōu)化方法）。但發(fā)現(xiàn)，這些方法的優(yōu)勢(shì)在模型規(guī)模增大時(shí)會(huì)逐漸消失，也就是說，它們對(duì)模型大小有一定的限制。

相比之下，Lightning Attention在模型規(guī)模增大時(shí)展現(xiàn)出顯著的優(yōu)勢(shì)。最近發(fā)布的NSA、MoBA、SeerAttention等成果，我們認(rèn)為它們?cè)诠I(yè)級(jí)規(guī)模擴(kuò)展方面還尚未達(dá)到成熟階段。

晚點(diǎn)：MOBA 也發(fā)布了工程代碼，運(yùn)行了近一年。

鐘怡然：這需要開源，讓其他開發(fā)者真正能夠查看，在數(shù)百 GB 參數(shù)的模型上，它是否能夠超越 Transformer。目前，它們的性能對(duì)比主要集中在7B規(guī)模。而在2023年上半年，我們對(duì)Lightning Attention的驗(yàn)證就基本完成了7B規(guī)模的驗(yàn)證。

晚點(diǎn)：稀疏注意力和線性注意力在不同規(guī)模的模型上表現(xiàn)有何差異，在幾B參數(shù)的模型之后是否會(huì)出現(xiàn)顯著差別？

鐘怡然：在7B以上基本可以看到明顯的區(qū)別。而MiniMin-01是一個(gè)總參數(shù)量為4560億、激活459億的MoE模型。（注：MoE是混合專家系統(tǒng)，其核心機(jī)制是通過動(dòng)態(tài)路由在推理時(shí)僅激活部分子模型，即“專家”，從而顯著降低計(jì)算資源消耗。）

晚點(diǎn)：總的來說，現(xiàn)在學(xué)界或工業(yè)界更傾向于稀疏注意力還是線性注意力？

鐘怡然：這兩個(gè)方向的研究者都很多。2023年之后，線性注意力變得比較熱門，因?yàn)镸amba那時(shí)候很火，帶動(dòng)了這一方向的發(fā)展。

晚點(diǎn)：從對(duì)Transformer的全注意力機(jī)制改動(dòng)的程度來看，稀疏注意力的改動(dòng)是否相對(duì)少一些，線性注意力的改動(dòng)是否更多一些？

鐘怡然：是的，稀疏注意力本質(zhì)上還是一個(gè)基于Transformer的模型，它只是對(duì)注意力得分的計(jì)算方式進(jìn)行了改進(jìn)。而線性注意力則是改變了QxKxV的乘法方式。學(xué)術(shù)界對(duì)它有不同的稱呼，你可以稱之為線性注意力，也可以稱之為線性Transformer。

晚點(diǎn)：線性注意力與Transformer以前的RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）有什么區(qū)別？

鐘怡然：它本質(zhì)上也是一種循環(huán)結(jié)構(gòu)，但以前的RNN最大的問題是無(wú)法并行化，而線性循環(huán)網(wǎng)絡(luò)（Linear RNN）則使其能夠?qū)崿F(xiàn)大規(guī)模的并行化。

50% 的把握，投入 80% 的資源

晚點(diǎn)：接下來我們可以從頭聊一聊，你們從 2021 年開始探索線性注意力，到現(xiàn)在，這個(gè)過程有什么變化。

鐘小姐：2021 年 7 月，我們啟動(dòng)了 cosFormer 項(xiàng)目，這也是我們首次深入線性注意力領(lǐng)域，相關(guān)研究成果發(fā)表在了 ICLR 上。cosFormer 在該領(lǐng)域的知名度依然不錯(cuò)。從那時(shí)起，我們發(fā)現(xiàn)這個(gè)方向潛力巨大。

當(dāng)時(shí)的想法很簡(jiǎn)單：一方面，Transformer 領(lǐng)域已經(jīng)有諸多優(yōu)秀研究，但這并不意味著我們需要效仿。而線性注意力作為一個(gè)新興方向，當(dāng)前的研究者們卻鮮有關(guān)注。與其跟隨他人的步伐，不如另辟蹊徑。

實(shí)際上，線性注意力領(lǐng)域的研究早在 2021 年就已初見端倪，與 Transformer 同期推出。但其效果欠佳、運(yùn)行速度較慢，因此當(dāng)時(shí)研究者們認(rèn)為這是一個(gè)“空 bubble”——看上去很有前景，但實(shí)際應(yīng)用效果卻不盡如人意。

2021 年至 2022 年間，我們密集產(chǎn)出了一系列創(chuàng)新成果，包括線性注意力機(jī)制、長(zhǎng)卷積（Long Convolution）和線性循環(huán)網(wǎng)絡(luò)（Linear RNN）。我們對(duì)現(xiàn)有所有線性方案進(jìn)行了系統(tǒng)性探索。到 2022 年底，我們研發(fā)的方法在語(yǔ)言建模方面的表現(xiàn)，已與 Transformer 接近不相上下。

晚點(diǎn)：當(dāng)時(shí)你們是如何評(píng)估線性架構(gòu)與 Transformer 的差距的？你們測(cè)試了哪些基準(zhǔn)？

鐘小姐：當(dāng)時(shí)我們主要測(cè)試了學(xué)術(shù)數(shù)據(jù)集，關(guān)注指標(biāo)包括困惑度和建模精度等。同時(shí)，我們還在一些常用的大模型數(shù)據(jù)榜單上進(jìn)行了對(duì)比測(cè)試，包括 Long Range Arena 這類長(zhǎng)文本基準(zhǔn)。

在實(shí)驗(yàn)室階段，我們首先解決了線性注意力建模精度的問題，隨后轉(zhuǎn)向處理速度問題。線性注意力雖然在理論復(fù)雜度上是線性的，但在實(shí)際運(yùn)行中卻表現(xiàn)得非常慢，這是因?yàn)橛页瞬僮魃婕耙幌盗醒h(huán)操作，這對(duì) GPU 來說并不友好，導(dǎo)致實(shí)際運(yùn)行效率遠(yuǎn)低于理論復(fù)雜度。為此，我們?cè)?2020 年推出了 TNL 和 Lightning Attention。Lightning Attention 通過優(yōu)化實(shí)際運(yùn)行效率，使其接近理論計(jì)算復(fù)雜度。

所以，在上海人工智能實(shí)驗(yàn)室期間，我們認(rèn)為線性注意力已經(jīng)達(dá)到了 Scale Up 熟練的狀態(tài)。我們覺得自己已經(jīng)解決了精度問題，也解決了推理效率問題。

當(dāng)我們實(shí)現(xiàn)Scale Up準(zhǔn)備狀態(tài)時(shí)，最大的測(cè)試是在什么規(guī)模的模型上進(jìn)行的？

最大的測(cè)試是訓(xùn)練到了15B規(guī)模的模型。

你們當(dāng)時(shí)沒有繼續(xù)向更高規(guī)模的Scaling Up測(cè)試，是因?yàn)樵趯?shí)驗(yàn)室里資源有限制嗎？

當(dāng)時(shí)，我必須將這個(gè)方法徹底擴(kuò)展到Scale Up，這就需要尋找投資者。

那時(shí)我感到比較著急，因?yàn)槲翌A(yù)感到，基于線性注意力的大模型最遲在2024年底肯定會(huì)出來，要么是我們，要么是其他機(jī)構(gòu)如Google和OpenAI。

最了解指的是中國(guó)，還是指全球？

包括現(xiàn)在比較活躍的松林（楊松林）之前也是我們組員，所以當(dāng)時(shí)的想法是找到愿意投資這種方法的人。

你最后找到的“金主”就是Minimax。

這實(shí)際上是一個(gè)雙向的過程。之前我在商湯工作期間，就在俊杰手下。

你是不是也想過自己創(chuàng)業(yè)？

鐘怡然：我之前也考慮過，但目前看來難度很大?；A(chǔ)架構(gòu)創(chuàng)新需要大量的資金投入，而我們目前在算法方面還處于領(lǐng)先地位。

大模型確實(shí)很復(fù)雜，首先需要有優(yōu)秀的架構(gòu)，其次要有優(yōu)質(zhì)的數(shù)據(jù)集，最后要有高效的訓(xùn)練方法。這三者缺一不可，任何一個(gè)環(huán)節(jié)出現(xiàn)問題，都無(wú)法證明你真正的能力。目前來看，這家公司已經(jīng)淘汰了很多競(jìng)爭(zhēng)對(duì)手，只剩下了字節(jié)跳動(dòng)和Minimax兩家。

晚點(diǎn)：投資人對(duì)你的應(yīng)用方向和變現(xiàn)渠道有什么反饋？

鐘怡然：他們更關(guān)注應(yīng)用方向和變現(xiàn)渠道，對(duì)未來的盈利模式也特別感興趣。投資人會(huì)想知道這個(gè)項(xiàng)目的長(zhǎng)期價(jià)值和商業(yè)潛力。

晚點(diǎn)：公司方面，你當(dāng)時(shí)認(rèn)為能夠做到一流預(yù)訓(xùn)練的公司都有哪些？

鐘怡然：包括字節(jié)跳動(dòng)和Minimax，這兩家在預(yù)訓(xùn)練領(lǐng)域確實(shí)處于領(lǐng)先地位。

晚點(diǎn)：Kimi（月之暗面）不是嗎？

鐘怡然：關(guān)于Kimi，我了解的信息比較少，所以當(dāng)時(shí)我覺得只有兩個(gè)選擇：要么海外發(fā)展，要么專注于國(guó)內(nèi)市場(chǎng)的其他方向。

晚點(diǎn)：和字節(jié)聊完后，你得到了什么樣的反饋？

鐘怡然：我對(duì)字節(jié)的反饋并不滿意，他們對(duì)這個(gè)未知領(lǐng)域的興趣不高。作為一個(gè)大型公司，雖然有大量數(shù)據(jù)和人才資源，但要真正投入資源去探索一個(gè)未知的方向，這對(duì)他們來說難度較大。

晚點(diǎn)：回頭看2023年下半年，你和閆俊杰的交流，他的反饋是什么？

鐘怡然：早在2021年，我和俊杰已經(jīng)非常了解彼此。通過深入交流，我們發(fā)現(xiàn)，他對(duì)嘗試新事物非常愿意，甚至愿意將公司大部分精力投入其中。

因?yàn)檫@個(gè)模型是核心模塊，研發(fā)需要消耗公司80%-90%的資源，牽扯到數(shù)據(jù)團(tuán)隊(duì)、工程團(tuán)隊(duì)、算法團(tuán)隊(duì)等多個(gè)部門，需要大量協(xié)調(diào)才能完成。

晚點(diǎn)：閆俊杰對(duì)你的認(rèn)可，是否源于你們?cè)谧⒁饬C(jī)制領(lǐng)域的一些共同探索？

鐘怡然：之前我們?cè)谶@一領(lǐng)域的探索不多，當(dāng)時(shí)正處于下一代模型技術(shù)選型的關(guān)鍵階段?？〗芸赡苷J(rèn)為我的工作扎實(shí)可靠，因此對(duì)他比較信任。

當(dāng)然，俊杰對(duì)這件事的看法與我不同。我認(rèn)為成功的概率高達(dá)99%，而對(duì)他而言，成功與失敗的概率各占50%。對(duì)于我們這些長(zhǎng)期深耕的人士來說，我們深知其中的關(guān)鍵點(diǎn)，因此相信這個(gè)模型可以實(shí)現(xiàn)Scaling Up。

晚點(diǎn)：閆俊杰給出50%的成功概率，卻大膽投入80%的資源，這種賭性是不是有點(diǎn)冒險(xiǎn)？

鐘怡然：這確實(shí)是一場(chǎng)需要冒險(xiǎn)的嘗試。但我們有基于Scaling Laws的測(cè)試方法，逐步驗(yàn)證。他并不是一開始就將所有資源投入進(jìn)去，而是先在一個(gè)成本可控的小模型范圍內(nèi)進(jìn)行驗(yàn)證，再逐步擴(kuò)展。

通過3700次預(yù)訓(xùn)練驗(yàn)證，我們從“美好的泡泡”模型發(fā)展到了擁有4560億參數(shù)的MiniMax-01模型。

晚點(diǎn)：在你們一步步驗(yàn)證的過程中，你們又發(fā)現(xiàn)了什么新的東西？

鐘怡然：今年年底，我們采用的依然是一個(gè)純線性方案，訓(xùn)練出了一套15B規(guī)模的模型，其效果與Transformer方案基本持平。

但隨后我們擴(kuò)大了模型規(guī)模，發(fā)現(xiàn)無(wú)論是Lightning Attention，還是其他線性方法，在檢索能力（Retrieval）方面都存在明顯的缺陷。

因此不得不采取一種折中的方案，即通過混合架構(gòu)進(jìn)行優(yōu)化：每七層線性注意力中加入一層Softmax注意力。

之后，可以向大家解釋一下，檢索能力是什么？以及在改進(jìn)注意力機(jī)制時(shí)，我們會(huì)測(cè)試一個(gè)被稱為"大海撈針"的任務(wù)，即在一個(gè)長(zhǎng)文本中找到與主文本格格不入的一段話或句子。

鐘怡然：檢索能力指的是在長(zhǎng)文本中進(jìn)行檢索或召回的能力。以"大海撈針"任務(wù)為例，給定一篇長(zhǎng)文，其中存在一段話或句子與其他內(nèi)容不符，模型就需要通過定點(diǎn)召回能力找出這些不匹配的內(nèi)容。"大海撈針"任務(wù)是一個(gè)測(cè)試，在很長(zhǎng)的長(zhǎng)文中，模型能否找到這根"不匹配的針"，是一項(xiàng)基礎(chǔ)能力。

線性注意力在執(zhí)行這個(gè)任務(wù)時(shí)存在天然的缺陷，這并不奇怪，因?yàn)榫€性注意力的KV緩存是一個(gè)固定值，無(wú)論輸入文本多長(zhǎng)，都會(huì)被壓縮到一個(gè)固定大小的存儲(chǔ)空間中。這個(gè)過程會(huì)導(dǎo)致檢索能力較弱。

晚點(diǎn)：當(dāng)時(shí)壓力大嗎？因?yàn)橐呀?jīng)要上規(guī)模了，出現(xiàn)這種情況。

鐘怡然：我們是有保底方案的，就是混合架構(gòu)。但當(dāng)時(shí)覺得這個(gè)方案不夠優(yōu)雅。

晚點(diǎn)：所以你們最后改進(jìn)純線性注意力檢索能力差的方式，就是在技術(shù)報(bào)告中提到的：每七層線性注意力混合一層Softmax注意力？我們還嘗試了每隔十四層、十六層混合一層Softmax注意力，并測(cè)試了不同的混合比例。

鐘怡然：對(duì)，我們也嘗試了每隔十四層、十六層混合一層Softmax注意力，并測(cè)試了不同的混合比例。結(jié)果顯示，對(duì)檢索能力的影響最大，而在語(yǔ)言建模任務(wù)中，不同混合比例下的能力差異不大。

在這個(gè)過程中，具體采用何種比例的混合策略？是否能提供一些理論依據(jù)或指導(dǎo)建議？

我們沒有現(xiàn)成的方法或框架可用，是通過自己的實(shí)驗(yàn)來探索的。我們甚至嘗試了僅采用一層 Softmax Attention 的極端情況，結(jié)果仍然表現(xiàn)出不錯(cuò)的效果。

在架構(gòu)進(jìn)行較大程度調(diào)整后，我們選擇了1:7的比例。例如，之前嘗試的 Jamba 模型采用了 1:8 或 1:7 這樣的混合層數(shù)配置。

（注：Jamba 是由 AI21 Labs 于 2024 年推出的首個(gè) SSM（狀態(tài)空間模型）-Transformer 混合架構(gòu)大模型，支持 256K 上下文窗口。）

最初為什么會(huì)采用混合策略？

這非常符合直覺，是一種自然的選擇。

在實(shí)施混合策略后，我們是如何進(jìn)行 Scaling Laws 實(shí)驗(yàn)的？

我們的主要目的是驗(yàn)證這一技術(shù)方向是否存在潛在問題，Scaling Laws 實(shí)驗(yàn)和混合方案的測(cè)試是同時(shí)進(jìn)行的。

我們對(duì)多種線性方案進(jìn)行了測(cè)試，包括 Lightning Attention、HGRN2 和 Mamba。

這樣多的實(shí)驗(yàn)會(huì)消耗多少資源？

鐘怡然：我們總共訓(xùn)練了3700個(gè)模型，發(fā)表了一篇文章。這項(xiàng)"Scaling Up"的決策非常關(guān)鍵，因?yàn)橥度刖揞~資金訓(xùn)練大型模型，最后卻以失敗告終，實(shí)在讓人惋惜。

尤：特別是在開拓性工作中，必須把基礎(chǔ)工作做得扎實(shí)。我們需要仔細(xì)選擇參數(shù)和注意力機(jī)制，每一種方案都需要進(jìn)行一系列基準(zhǔn)測(cè)試，最終要在速度和效果之間找到平衡。因此，一套完整的對(duì)比實(shí)驗(yàn)是必不可少的。如果草率決定，雖然可以節(jié)省部分實(shí)驗(yàn)成本，但無(wú)疑會(huì)增加項(xiàng)目失敗的風(fēng)險(xiǎn)。

晚點(diǎn)：這3700個(gè)模型，是指全部從頭訓(xùn)練，意味著進(jìn)行了3700次預(yù)訓(xùn)練嗎？

鐘怡然：是的，所有模型都是從頭開始訓(xùn)練，使用了不同的大小和參數(shù)設(shè)置。因此，開展Scaling Law實(shí)驗(yàn)是一個(gè)成本很高的過程。

晚點(diǎn)：你們最初預(yù)估需要進(jìn)行這么多次嗎？總共有多少資源投入？

鐘怡然：我們最初的預(yù)估就是3700次。我們根據(jù)所需的卡數(shù)、資源數(shù)量和模型數(shù)量制作了一個(gè)Excel表格，根據(jù)這些數(shù)據(jù)進(jìn)行規(guī)劃，順利完成了訓(xùn)練工作。

晚點(diǎn)：你們采用的混合線性注意力結(jié)構(gòu)在實(shí)際應(yīng)用中帶來了多大的效率提升？

鐘怡然：在序列長(zhǎng)度為100萬(wàn)的情況下，這種結(jié)構(gòu)的處理速度比全注意力結(jié)構(gòu)快了2700倍。

晚點(diǎn)：在速度和效果之間，這種線性注意力如何保證輸出質(zhì)量？例如，在發(fā)布后的MiniMax-01、Kimi-k1.5和DeepSeek-R1版本中，當(dāng)我測(cè)試一個(gè)2萬(wàn)字英文文章時(shí)，模型無(wú)法準(zhǔn)確回答關(guān)于社交媒體短視頻功能的使用問題，而是給出了其他回答。這是什么導(dǎo)致的差異呢？

鐘怡然："探索新架構(gòu)"讓我們?cè)谏疃韧评矸矫孢M(jìn)展相對(duì)緩慢，但我們正在進(jìn)行第二階段的工作。

鐘怡然：實(shí)際上，你提到的那種能力，其與訓(xùn)練數(shù)據(jù)密切相關(guān)。我們只能確保模型具備展現(xiàn)這種能力的潛力，但要真正實(shí)現(xiàn)這一能力，訓(xùn)練數(shù)據(jù)的作用就顯得至關(guān)重要了。你提出的這個(gè)問題，正是我們下一代模型需要解決的核心問題。

晚點(diǎn)：目前，我們的Minimax-01模型還不是一個(gè)專門的推理模型，像R1和1.5版本的模型已經(jīng)是推理型模型了。那么，你們現(xiàn)在采用的這種架構(gòu)進(jìn)行推理，是否可以結(jié)合強(qiáng)化學(xué)習(xí)？這種方法論基礎(chǔ)和實(shí)現(xiàn)路徑是怎樣的呢？

鐘怡然：我從另一家國(guó)內(nèi)大模型公司的研究結(jié)論中得知，他們認(rèn)為L(zhǎng)inear架構(gòu)在推理性能上稍強(qiáng)一些。他們還在Linear架構(gòu)的模型上進(jìn)行了相關(guān)推理實(shí)驗(yàn)，結(jié)果顯示這種架構(gòu)在推理能力上表現(xiàn)更為出色。

晚點(diǎn)：你們對(duì)目前的技術(shù)狀況有什么看法？

鐘怡然：我們還在研究這一方向，目前還不能詳細(xì)展開。因?yàn)椋畛跷覀儾]有立即沿著這一路徑前進(jìn)。當(dāng)時(shí)，國(guó)內(nèi)有很多模型在模仿這一方向，但我們認(rèn)為，單純強(qiáng)調(diào)推理能力，可能只能在某些特定領(lǐng)域提升模型性能。然而，等到R1發(fā)布后，我們發(fā)現(xiàn)，將這些推理能力融入模型后，其外推能力和泛化能力得到了顯著提升。

晚點(diǎn)：你們當(dāng)時(shí)認(rèn)為，技術(shù)基礎(chǔ)應(yīng)該先做好哪些方面？

鐘怡然：我們希望我們的模型在內(nèi)部排行榜上能夠與現(xiàn)有的4o模型（即目前最先進(jìn)的模型）不相上下，甚至接近世界頂尖水平。當(dāng)時(shí)，4o模型在相關(guān)領(lǐng)域確實(shí)處于領(lǐng)先地位。

晚點(diǎn)：你們是否會(huì)考慮多模態(tài)的結(jié)合？因?yàn)?o模型本身就是一個(gè)多模態(tài)模型。

鐘怡然：后來，我接手了多模態(tài)大模型相關(guān)的工作。在構(gòu)建多模態(tài)模型時(shí)，有兩種主要的實(shí)現(xiàn)路徑：一是采用原生多模態(tài)架構(gòu)，二是基于adapter（適配器）技術(shù)的多模態(tài)架構(gòu)。經(jīng)過慎重考慮，我認(rèn)為我們當(dāng)時(shí)應(yīng)該選擇adapter架構(gòu)。因?yàn)樵谀莻€(gè)時(shí)候，原生多模態(tài)技術(shù)的實(shí)現(xiàn)路徑尚不完善，例如，Gemini-2.0模型還沒有發(fā)布。

晚點(diǎn)：這個(gè)方案有哪些優(yōu)勢(shì)？首先，我們能夠快速驗(yàn)證數(shù)據(jù)是否存在質(zhì)量問題；其次，效果能夠迅速顯現(xiàn)。投入的成本較低，就能獲得性能較為理想的結(jié)果。從我們發(fā)布的VL01模型來看，基準(zhǔn)測(cè)試結(jié)果顯示該模型表現(xiàn)相當(dāng)優(yōu)異。

晚點(diǎn)：可以這樣理解，MiniMax-01 在 MiniMax 主線模型中確實(shí)是一次重大的轉(zhuǎn)型或升級(jí)。此前的 ABAB 系列采用的是 Transformer 架構(gòu)，而 MiniMax-01 則采用了線性架構(gòu)——這是你們語(yǔ)言技術(shù)、多模態(tài)處理以及未來模型進(jìn)展的重要組成部分。

鐘怡然：對(duì)，這段模型的更迭速度確實(shí)很快。

晚點(diǎn)：為什么要選擇投入這個(gè)改動(dòng)較大且具有創(chuàng)新性的方案？

鐘怡然：首先，我們有這個(gè)意愿，是因?yàn)槲覀兿胝宫F(xiàn)自身的技術(shù)實(shí)力。我們是一家勇于創(chuàng)新的公司，愿意賭新技術(shù)。目前我們已經(jīng)將序列長(zhǎng)度提升到了 4M（400 萬(wàn)），并且我們有能力將其提升到 10M（1000 萬(wàn)）。

但是（如果選擇 10M）當(dāng)前需要解決的問題是如何構(gòu)建 10M 數(shù)據(jù)集，以及在實(shí)現(xiàn) 10M 序列長(zhǎng)度后，具體能實(shí)現(xiàn)什么功能。目前我們的計(jì)劃是先將 1M 以內(nèi)的相關(guān)工作做到極致，然后再向外擴(kuò)展。

晚點(diǎn)：經(jīng)過這樣的推理，你們計(jì)劃探索哪些方向？我指的是從 O1 之后全面引入強(qiáng)化學(xué)習(xí)到 Transformer 整個(gè)流程中，未來會(huì)發(fā)生什么變化？

鐘怡然：目前行業(yè)還在做深度推理，這方面的進(jìn)展還比較新。我們處于追趕階段。但我們認(rèn)為，長(zhǎng)文本處理未來會(huì)成為一個(gè)趨勢(shì)。我們很高興看到像 Kimi、DeepSeek 這樣的公司，已經(jīng)推出了針對(duì)長(zhǎng)文本優(yōu)化的模型架構(gòu)，這表明大家都開始走上這條賽道。

在我看來，俊杰也比較清楚：我們走的是長(zhǎng)線策略。短期內(nèi)在效果上可能會(huì)落后，因?yàn)槲覀儾捎昧诵录軜?gòu)，在相同算力和資源下，我們的人力在進(jìn)行深度推理方面會(huì)相對(duì)不足，這意味著我們跟隨深度推理的腳步會(huì)稍微慢一些。

但另一方面，當(dāng)我們真正開始進(jìn)行深度推理時(shí)，我們就能迅速趕上。因此，在這場(chǎng)競(jìng)賽中，我們正在參與的是“下半場(chǎng)”。我們押注的未來趨勢(shì)是長(zhǎng)文本需求。當(dāng)線性注意力的規(guī)模擴(kuò)大到一定程度時(shí)，在長(zhǎng)文本賽道上很難有對(duì)手。

做技術(shù)的“道心”之爭(zhēng)

晚點(diǎn)：你覺得這些公司（如DeepSeek、Kimi）在稀疏注意力的改進(jìn)上效率和效果不錯(cuò)，對(duì)嗎？

鐘怡然：他們的主要?jiǎng)?chuàng)新點(diǎn)在于通過極致工程優(yōu)化改善了稀疏注意力過去計(jì)算速度較慢的問題。不過，稀疏注意力的上限較低，我不認(rèn)為DeepSeek會(huì)繼續(xù)沿用這條路線。當(dāng)模型尺寸增大時(shí)，線性注意力相比稀疏注意力的優(yōu)勢(shì)會(huì)更加明顯，他們?cè)谶M(jìn)行更大規(guī)模實(shí)驗(yàn)時(shí)也能觀察到這一點(diǎn)。

晚點(diǎn)：線性注意力的上限高，而且實(shí)際上它確實(shí)可以應(yīng)用。那么，在行業(yè)內(nèi)這是共識(shí)還是非共識(shí)？

鐘怡然：這是非共識(shí)。即使像MiniMax-01這樣的成果已經(jīng)出來了，有些人還是擔(dān)心當(dāng)線性注意力規(guī)模擴(kuò)大時(shí)可能會(huì)遇到問題。

晚點(diǎn)：為什么會(huì)有這種擔(dān)憂？

鐘怡然：可能是MiniMax-01的宣傳力度不夠，導(dǎo)致許多人沒意識(shí)到它。目前普遍的觀點(diǎn)是，認(rèn)為線性注意力是一種有損的優(yōu)化。從原理上看，用一次計(jì)算來近似二次計(jì)算似乎是有損的。但有沒有可能，這種二次計(jì)算的復(fù)雜度其實(shí)是多余的呢？而我們認(rèn)為，它其實(shí)是一個(gè)無(wú)損的架構(gòu)，一個(gè)無(wú)損的優(yōu)化，尤其是在混合架構(gòu)的情況下，其效果甚至?xí)谩?/p>

這個(gè)討論屬于技術(shù)界的“道心之爭(zhēng)”——技術(shù)判斷和你的信仰是什么。

晚點(diǎn)：據(jù)我所知，像OpenAI、Anthropic這些國(guó)外頂尖AI公司，他們有沒有嘗試過采用線性架構(gòu)？

鐘怡然：他們的架構(gòu)很可能是基于滑動(dòng)窗口注意力（Sliding Window Attention），這也是一種稀疏注意力。而像Google等公司采用的方法大抵是滑動(dòng)窗口結(jié)合全注意力（Full Attention）。

晚點(diǎn)：所以你們對(duì)線性的信任，也并不一定源于全球頂尖公司有沒有做或者沒有做線性架構(gòu)？

鐘怡然：對(duì)的，而且我們是真正把論文轉(zhuǎn)化成了產(chǎn)品的，現(xiàn)在Minimax的產(chǎn)品已經(jīng)在使用這套架構(gòu)了，這說明我們的技術(shù)是比較先進(jìn)的。那篇論文是在24年初完成的，產(chǎn)品（應(yīng)用這一架構(gòu)）則是在24年底推出的。

晚點(diǎn)：你剛才提到，線性注意力的上限大且能工作，在業(yè)界是一個(gè)非共識(shí)。你愿意談?wù)勥@個(gè)觀點(diǎn)嗎？

鐘怡然：我不介意，我們希望更多人能夠嘗試線性注意力，也希望更多人共同開發(fā)長(zhǎng)文本應(yīng)用。其實(shí)我們已經(jīng)開源了Minimax-01，這體現(xiàn)了我們對(duì)這一架構(gòu)的重視。

晚點(diǎn)：那么你們對(duì)Minimax-01這次的開源，以及帶來的反饋和影響力，滿意嗎？

鐘怡然：有朋友認(rèn)為這份報(bào)告寫得不錯(cuò)，工作也十分扎實(shí)，但為什么卻沒能引起更多關(guān)注呢？我覺得這正是加強(qiáng)傳播的契機(jī)。同時(shí)，我們下一代模型的目標(biāo)是做得更好。

晚點(diǎn)：在開源Minimax-01時(shí)，你們?yōu)槭裁粗话l(fā)布了最大參數(shù)版本的模型，而沒有發(fā)布不同尺寸的版本呢？因?yàn)橐恍┹^小尺寸的模型，對(duì)學(xué)界、個(gè)人開發(fā)者以及小型機(jī)構(gòu)來說更加友好，這正是讓更多人參與進(jìn)來的關(guān)鍵。

鐘怡然：我們確實(shí)有不同尺寸的模型，但開源不同版本需要維護(hù)更多的模型，這會(huì)增加人力投入。我們更重視的是開源后能夠帶來良好效果的模型。

晚點(diǎn)：DeepSeek在春節(jié)期間取得了很大的成功，你們的團(tuán)隊(duì)內(nèi)部氛圍發(fā)生了什么變化嗎？

鐘怡然：DeepSeek并沒有讓我們?cè)谶^年（笑），我們正加快推理模型的開發(fā)節(jié)奏。我們的目標(biāo)是打造比R1更加強(qiáng)大，甚至達(dá)到O1或O3水平的推理模型。

鐘怡然：我們還選擇了比較激進(jìn)的方案，它會(huì)是一個(gè)基于原生多模態(tài)的深度推理模型。這個(gè)項(xiàng)目的難點(diǎn)在于如何平衡文本理解和視覺理解能力，讓兩者都能達(dá)到很強(qiáng)的水平。目前的實(shí)驗(yàn)結(jié)果已經(jīng)非常令人滿意。

晚點(diǎn)：這次你對(duì)完成工作有多大把握？

鐘怡然：大概有七八成的把握。

晚點(diǎn)：預(yù)計(jì)什么時(shí)候能推出這個(gè)模型？

鐘怡然：預(yù)計(jì)在4月到5月之間。目前所有的資源都集中在提升模型性能的上限，我們認(rèn)為相比單純維護(hù)產(chǎn)品，提升模型上限更為重要。

晚點(diǎn)：你如何看待DeepSeek雖然沒有一個(gè)好用的產(chǎn)品，但其影響力卻突然爆炸？

鐘怡然：我認(rèn)為，雖然模型效果非常出色，是能夠脫穎而出的基礎(chǔ)，但另一方面，其影響力快速擴(kuò)大也與許多其他因素密切相關(guān)。

我們無(wú)法預(yù)測(cè)這類突發(fā)性事件，但我們想，如果我們有一項(xiàng)新技術(shù)，希望讓更多人了解，應(yīng)該怎么做呢？最好的方法就是將其轉(zhuǎn)化為產(chǎn)品。

晚點(diǎn)：所以你仍然認(rèn)為，一個(gè)正常的技術(shù)公司，僅憑技術(shù)本身，無(wú)法實(shí)現(xiàn)長(zhǎng)時(shí)間的正向反饋和形成壁壘。

鐘怡然：是的。我們?cè)?023年想推出線性注意力模型時(shí)，確實(shí)利用了上海人工智能實(shí)驗(yàn)室的一些資源進(jìn)行宣傳。但當(dāng)我向所有人解釋時(shí)，卻很難說服他們。他們認(rèn)為這個(gè)新架構(gòu)的模型僅在小規(guī)模上進(jìn)行了驗(yàn)證。

那時(shí)我就想，我該怎么辦？我只能找一個(gè)愿意相信這個(gè)新架構(gòu)的人，將其放入產(chǎn)品中——證明一個(gè)新技術(shù)有說服力的最好方式就是將其放入產(chǎn)品中進(jìn)行驗(yàn)證。

你對(duì)AI的追求是什么？

鐘怡然：我希望創(chuàng)造一種能夠真正自我學(xué)習(xí)、自我進(jìn)化的模型。當(dāng)人類將所有看到、聽到的信息作為輸入時(shí)，它將能夠自主學(xué)習(xí)不同模態(tài)之間的關(guān)系，并具備像文本處理這樣的技能。實(shí)際上，這種文本處理能力也是通過自學(xué)習(xí)的方式獲得的。

若要實(shí)現(xiàn)我的目標(biāo)，首先需要開發(fā)文本模型，其次是多模態(tài)模型，最后是探索如何使模型能夠自主學(xué)習(xí)不同模態(tài)之間的關(guān)系。這個(gè)過程與人類的學(xué)習(xí)方式非常相似，人類也是通過類似的方式逐步學(xué)習(xí)的。

附：文中提到的主要工作的GitHub或arXiv鏈接如下：

MiniMax-01：

https://github.com/MiniMax-AI/MiniMax-01

Lightning Attention：

https://github.com/OpenNLPLab/lightning-attention

cosFormer：

https://github.com/OpenNLPLab/cosFormer

Mamba項(xiàng)目：

- 官方GitHub倉(cāng)庫(kù)：https://github.com/state-spaces/mamba

2. Jamba：

- 官方GitHub倉(cāng)庫(kù)：https://github.com/kyegomez/Jamba

題圖來源于電影《美麗心靈》的電影截圖。