闻乐 发自 凹非寺
量子位 | 公众号 QbitAI
Transformer的时代，正在被改写。
月之暗面最新发布的开源Kimi Linear架构，用一种全新的注意力机制，在相同训练条件下首次超越了全注意力模型。
在长上下文任务中，它不仅减少了75%的KV缓存需求，还实现了高达6倍的推理加速。
有网友表示期待：这个架构下的Kimi K2.5何时来？？
不过，咱还是先来看一下Kimi Linear是如何挑战传统Transformer的。
Transformer确实聪明，但聪明得有点太烧钱。
它的注意力机制是全连接的，每个token都要和其他所有token打交道。
计算量也随着输入长度呈平方增长（O(N²)），而且每生成一个新词，还要查一遍之前的所有缓存。
这就导致推理阶段的KV Cache占显存极大，尤其是在128K以上的上下文中，显卡直接崩溃警告。
模型越强，显卡越崩，钱包越痛。
所以，过去几年无数团队都在研究线性注意力，希望把计算从 O(N²) 降到 O(N)，让模型能又快又省。
但问题是，以前的线性注意力都记不住东西，快是快了，but智商打折。
现在，Kimi Linear以既要又要还要的姿态登场了。
Kimi Linear的核心创新是Kimi Delta Attention（KDA）。
它在原有线性注意力的基础上，引入了细粒度遗忘门控，不再像传统线性注意力那样一刀切地遗忘，而是让模型可以在每个通道维度上独立地控制记忆保留，把重要信息留下，把冗余信息扔掉。
更关键的是，KDA的状态更新机制是基于一种改进的Delta Rule（增量学习规则）。
它在数学上保证了稳定性，即使是在百万级token序列中，梯度也不会爆炸或消失。
这也让Kimi Linear能在超长上下文中跑得稳。
整个模型采用3:1的混合层设计，每3层线性注意力（KDA）后加1层全注意力。这样既保留全局语义的建模能力，又能在多数层用线性计算节省资源。
团队还干脆把传统的RoPE（旋转位置编码）砍掉，让KDA自己通过时间衰减核函数学习序列位置信息。
结果，没有RoPE，模型反而更稳、更泛化。
在KDA的状态更新过程中，Kimi Linear用了一种叫Diagonal-Plus-Low-Rank（DPLR）的结构。
核心思路是把注意力矩阵拆成「对角块+低秩补丁」，这样GPU在并行计算时能一次性处理更多内容，吞吐率直接翻倍。
此外，团队还引入了分块并行计算和kernel fusion优化（内核融合），极大地减少了显存I/O开销。
在工程部署上，它还能无缝对接vLLM推理框架，不需要改模型结构，也不需要改缓存管理，直接替换即可。
这意味着，任何基于Transformer的系统在理论上都能一键升级为Kimi Linear。
实验结果显示，在相同训练规模下，比如1.4T tokens，Kimi Linear在MMLU、BBH、RULER、GPQA-Diamond等多个基准测试上全面超越Transformer。
长上下文推理中，解码速度提升最高达6倍，KV缓存减少75%。
不仅没丢精度，还在数学推理、代码生成等任务上更稳定、更高分。
不得不说，Transformer的地位正在被重新审视。
Mamba的作者曾用长文论述Transformer并非最终解法，状态空间模型（SSM）在长序列建模和高效计算上展现出强大的替代潜力，这也让人们重新思考注意力是否真的是唯一答案。
之前谷歌推出的MoR架构，探索用递归结构取代部分注意力，通过动态计算深度来减少冗余推理，进一步提升效率。
苹果公司也在多项研究中倾向采用Mamba，而非传统Transformer，理由很现实——SSM架构更节能、延迟更低、适合在终端设备上部署。
现在，Kimi Linear则从另一条路线突围，在线性注意力方向上取得突破。
或许这也预示着，AI架构正在告别对传统Transformer的路径依赖，迈向多元创新时代。
但值得一提的是，刚刚坐上开源模型王座的MiniMax M2，却重新用回了全注意力机制。
技术报告：https://huggingface.co/moonshotai/Kimi-Linear-48B-A3B-Instruct
— 完 —
