与「muon」相关的搜索结果

转一下苏剑林老师对 K3 架构的复盘。 一句话概括，K3 = KDA + MLA + Stable LatentMoE + AttnRes。整套设计没什么炫技，核心就是在模型效果、计算效率和训练稳定性之间做取舍。 这里稍微解释一下： KDA，一种线性 Attention MLA，一种 KV Cache 较小的 Full Attention 变体 Stable LatentMoE，对 LatentMoE 做过稳定性改造的 MoE 方案 AttnRes，用可学习的跨层注意力，替代固定等权的残差累加 几个比较有意思的点： ① K3 同时使用了 KDA 和 MLA。另外，训练仍然用 Moonlight 版本的 Muon 优化器，Attention 权重改成 Per-Head Muon，每个 Head 独立优化。苏神说这不会直接提高效果，主要是数学和结构上更合理：各个 Head 本来就相对独立，不应该在优化时耦合在一起。 ② 解决MoE“容易炸”的问题。 LatentMoE 会先降维，再使用更多专家，最后升维，在训推成本大致相同的情况下效果略好。不过连续的矩阵投影也让训练更容易出现数值不稳定。 K3 把 SwiGLU 换成了 SiTU-GLU，用 softcap 压住异常激活；又在 LatentMoE 升维前加了一层 RMS Norm。这个 Norm 不只是让训练更稳定，在 Valid Loss 差不多的情况下，不加它，某些 Benchmark 会稳定变差。 （这里有超级多的技术细节，感兴趣的可以看苏神原文） ③ 关于MLA DSV4 看上去都换设计了，K3 怎么还在用 MLA？苏神的答案是，目前 MLA 仍然很难被全面击败。它在训练阶段是 MHA 形态，推理时 KV Cache 较小；在固定训练成本和 KV Cache 大小时，MLA 依然近乎最优。 它的问题是对 MTP（推测解码）不够友好。MTP 的思路是“用计算换速度”，而 MLA 在 Decoding 阶段本身就比较吃计算，再叠一个 MTP，两边就容易抢算力。 换别的方案也有代价。比如换成 128+128 的 GQA8，效果很难打赢 MLA，KV Cache 还是 MLA 的三倍多；换成 256+256 的 MFA（本质上是 MQA），训练和 Prefill 成本又会上去。 目前还没有一个简单的 Attention 设计，能同时占住效果、训练成本、Prefill、KV Cache 和 Decoding 计算量。在 KDA+MLA 的混合架构下，MLA 的部分问题得到缓解，所以 K3 最后还是选了 MLA。 ④ 苏神觉得，DSV4 也不算真正“抛弃 MLA”。 DSV4 看上去重新设计了 Attention，但底层仍然有 MLA 的影子。它采用的是 head_dims=512、K=V 的 MQA，这正是 MLA 在 Decoding 阶段的形态；再加上 Sparse + Compress，前者减少计算，后者进一步压缩 KV Cache，同时减少计算。 方向很激进，不过 Infra 也更复杂。 ⑤ K3 的 MLA 可以去掉 RoPE，是因为 KDA 已经隐含提供了一种广义的位置信息。 这只适用于 KDA+MLA 的混合结构，像 K2 那种全 MLA 模型，直接去掉 RoPE 还是会明显掉效果。 感觉苏神真正的观点是：大模型架构里很少有免费的升级。K3 的设计哲学不是找一个碾压所有方案的新架构，而是在效果、训练成本、Prefill、Decoding、KV Cache 和稳定性之间，找一个当前更合适的组合。 苏神原文里还有很多技术内容，非常值得一看。 原文地址：

Thời đại của Brand Marketing đang chuyển dần sang Human Marketing. Người dùng muốn nghe một con người kể chuyện hơn là một thương hiệu tự kể về mình. #thoavu# #founderfullstack# Ms. Thoa Vũ Co-founder Soultech Vietnam Co.,LTD

Cô gái đang năn nỉ bạn trai mình đừng chia tay. Tưởng đâu anh bạn trai là soái ca nên cô gái bất chấp cầu xin, nản nỉ, ai dè là lão hói. Lúc đẩy nhau rớt tóc giả ra cười muốn rụng quai hàm haha.

Bố mẹ vợ đối xử rất tốt, nhưng anh luôn thấy mình phải giữ ý: Muốn ngủ nướng cũng ngại. Muốn rủ bạn về nhà cũng phải hỏi. Ăn cơm xong tự giác dọn dẹp vì sợ bị đánh giá. Mua gì, làm gì cũng nghĩ "liệu bố mẹ vợ có không hài lòng không?". Có người bảo anh nghĩ nhiều. Có người bảo đó là tâm lý rất bình thường của người ở rể. Nhiều bà vợ tâm lý bảo không sao nhưng làm sao có thể hiểu nổi #ỞRể# #GiaĐình# #HônNhân#

With just one year in orbit, the first FireSat satellite has already spotted wildfires invisible to existing satellites. After a successful launch early this morning, 3 more satellites joined the constellation, bringing us one step closer to our ultimate goal of near real-time wildfire updates every 20 minutes. Thanks to @EarthFireAll @MuonSpace @MooreFound @BezosEarthFund for the partnership, & @SpaceX for the ride up!

Có những ngày bản thân chỉ muốn chìm đắm trong không gian của riêng mình, bên những phím đàn, thiết bị phòng thu và một ly americano quen thuộc. Âm nhạc luôn biết cách xoa dịu những bộn bề ngoài kia, ghi lại từng tầng cảm xúc mà đôi khi lời nói chẳng thể diễn tả hết. Từng nốt nhạc ngân vang như đang kể câu chuyện của chính mình – có chút trầm tư, có chút hy vọng. Cuộc sống cũng giống như việc mix một bài nhạc, phải có cả những nốt trầm nốt bổng thì giai điệu cuối cùng mới thực sự chạm đến trái tim.❤