File size: 18,032 Bytes
8620460 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 | """
Гибридная языковая модель в стиле Qwen3.5 / Qwen3-Next.
Схема одного блока (как в обычном трансформере):
x -> [норма] -> [смеситель токенов] -> +x -> [норма] -> [FFN] -> +x
"Смеситель токенов" бывает двух видов, они чередуются 3:1
- Gated DeltaNet (линейное внимание, быстрое, 3 слоя из 4)
- Gated Attention (полное внимание, медленное но точное, каждый 4-й слой)
"""
import math
from dataclasses import dataclass, asdict
import torch
import torch.nn as nn
import torch.nn.functional as F
from fla.ops.gated_delta_rule import chunk_gated_delta_rule
from fla.ops.attn.parallel import parallel_attn
# --------------------------------------------------------------------------- #
# Конфигурация
# --------------------------------------------------------------------------- #
@dataclass
class ModelConfig:
vocab_size: int = 16384
d_model: int = 640
n_layers: int = 20
max_seq_len: int = 4096
# --- слои полного внимания ---
attn_every: int = 4 # каждый 4-й слой — полное внимание
n_heads: int = 8 # голов запроса
n_kv_heads: int = 2 # голов ключа/значения (GQA)
head_dim: int = 128 # развязан с d_model, как у Qwen3
rope_theta: float = 50000.0 # НЕ 1e6: у нас контекст 4096, не 40k
# --- слои Gated DeltaNet ---
dn_k_heads: int = 4
dn_v_heads: int = 8
dn_head_dim: int = 128
dn_conv_size: int = 4
# --- FFN ---
ffn_hidden: int = 1536
norm_eps: float = 1e-6
tie_embeddings: bool = True
init_std: float = 0.02
# пересчитывать активации в backward вместо хранения (экономит память,
# стоит ~30% лишних вычислений в прямом проходе)
grad_checkpoint: bool = False
def is_attn_layer(self, i: int) -> bool:
"""Каждый attn_every-й слой (последний в группе) — полное внимание."""
return (i + 1) % self.attn_every == 0
def to_dict(self):
return asdict(self)
# --------------------------------------------------------------------------- #
# Базовые кирпичики
# --------------------------------------------------------------------------- #
class RMSNorm(nn.Module):
"""Нормализация. Дешевле LayerNorm, стандарт во всех современных моделях."""
def __init__(self, dim: int, eps: float = 1e-6):
super().__init__()
self.eps = eps
self.weight = nn.Parameter(torch.ones(dim))
def forward(self, x):
dtype = x.dtype
x = x.float()
x = x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps)
return (x * self.weight.float()).to(dtype)
class SwiGLU(nn.Module):
"""FFN. Три матрицы вместо двух: одна работает воротами для другой."""
def __init__(self, d_model: int, hidden: int):
super().__init__()
self.gate = nn.Linear(d_model, hidden, bias=False)
self.up = nn.Linear(d_model, hidden, bias=False)
self.down = nn.Linear(hidden, d_model, bias=False)
def forward(self, x):
return self.down(F.silu(self.gate(x)) * self.up(x))
def build_rope_cache(seq_len: int, head_dim: int, theta: float, device, dtype):
"""Предпосчитанные синусы/косинусы для RoPE."""
inv_freq = 1.0 / (theta ** (torch.arange(0, head_dim, 2, device=device).float() / head_dim))
pos = torch.arange(seq_len, device=device).float()
freqs = torch.outer(pos, inv_freq) # [T, head_dim/2]
return freqs.cos().to(dtype), freqs.sin().to(dtype)
def apply_rope(x, cos, sin):
"""x: [B, T, H, D]. Поворачивает пары каналов на угол, зависящий от позиции."""
x1, x2 = x.float().chunk(2, dim=-1)
cos = cos[None, :, None, :]
sin = sin[None, :, None, :]
out = torch.cat([x1 * cos - x2 * sin, x1 * sin + x2 * cos], dim=-1)
return out.to(x.dtype)
# --------------------------------------------------------------------------- #
# Смеситель 1: полное внимание с воротами (каждый 4-й слой)
# --------------------------------------------------------------------------- #
class GatedAttention(nn.Module):
"""
Обычное причинное внимание + два отличия Qwen3:
* QK-Norm — нормализация Q и K, страхует обучение от разъезжания
* выходные ворота — сигмоида решает, сколько внимания пропустить дальше
"""
def __init__(self, cfg: ModelConfig):
super().__init__()
self.cfg = cfg
self.nh, self.nkv, self.hd = cfg.n_heads, cfg.n_kv_heads, cfg.head_dim
q_dim, kv_dim = self.nh * self.hd, self.nkv * self.hd
self.q_proj = nn.Linear(cfg.d_model, q_dim, bias=False)
self.k_proj = nn.Linear(cfg.d_model, kv_dim, bias=False)
self.v_proj = nn.Linear(cfg.d_model, kv_dim, bias=False)
self.o_proj = nn.Linear(q_dim, cfg.d_model, bias=False)
self.g_proj = nn.Linear(cfg.d_model, q_dim, bias=False) # ворота
self.q_norm = RMSNorm(self.hd, cfg.norm_eps) # QK-Norm
self.k_norm = RMSNorm(self.hd, cfg.norm_eps)
def forward(self, x, cos, sin, docs=None):
B, T, _ = x.shape
q = self.q_proj(x).view(B, T, self.nh, self.hd)
k = self.k_proj(x).view(B, T, self.nkv, self.hd)
v = self.v_proj(x).view(B, T, self.nkv, self.hd)
q, k = self.q_norm(q), self.k_norm(k)
q, k = apply_rope(q, cos, sin), apply_rope(k, cos, sin)
if docs is not None:
# маска документов: каждый токен видит только свой документ.
# Кернел fla сам пропускает блоки чужих документов
o = parallel_attn(q, k, v, cu_seqlens=docs[0])
o = o.reshape(B, T, self.nh * self.hd)
o = o * torch.sigmoid(self.g_proj(x))
return self.o_proj(o)
# SDPA ждёт [B, H, T, D]
q, k, v = (t.transpose(1, 2) for t in (q, k, v))
# kv-головы размножаем явно, а не через enable_gqa=True: в сборке
# PyTorch под Windows нет FlashAttention, и с enable_gqa SDPA падает
# на математический путь с полной матрицей TxT. С явным повтором
# включается memory-efficient кернел -- замерено 8.3 мс против 16.1
# на слой (fwd+bwd, T=4096), и сотни МБ памяти на слой не хранятся
if self.nkv != self.nh:
k = k.repeat_interleave(self.nh // self.nkv, dim=1)
v = v.repeat_interleave(self.nh // self.nkv, dim=1)
o = F.scaled_dot_product_attention(q, k, v, is_causal=True)
o = o.transpose(1, 2).reshape(B, T, self.nh * self.hd)
o = o * torch.sigmoid(self.g_proj(x)) # ворота
return self.o_proj(o)
# --------------------------------------------------------------------------- #
# Смеситель 2: Gated DeltaNet (линейное внимание, 3 слоя из 4)
# --------------------------------------------------------------------------- #
class GatedDeltaNet(nn.Module):
"""
Линейное внимание из Qwen3-Next. Вместо матрицы TxT держит в голове
компактное состояние фиксированного размера и обновляет его по дельта-правилу:
на каждом токене чуть-чуть забывает старое (затухание g) и дописывает новое
(сила записи beta). Отсюда O(T) вместо O(T^2).
Короткая причинная свёртка перед этим даёт слою локальный контекст,
который чистой рекуррентности даётся тяжело.
"""
def __init__(self, cfg: ModelConfig):
super().__init__()
self.cfg = cfg
self.hk, self.hv, self.hd = cfg.dn_k_heads, cfg.dn_v_heads, cfg.dn_head_dim
self.rep = self.hv // self.hk # во сколько раз v-голов больше
k_dim, v_dim = self.hk * self.hd, self.hv * self.hd
self.k_dim, self.v_dim = k_dim, v_dim
self.q_proj = nn.Linear(cfg.d_model, k_dim, bias=False)
self.k_proj = nn.Linear(cfg.d_model, k_dim, bias=False)
self.v_proj = nn.Linear(cfg.d_model, v_dim, bias=False)
self.b_proj = nn.Linear(cfg.d_model, self.hv, bias=False) # beta: сила записи
self.a_proj = nn.Linear(cfg.d_model, self.hv, bias=False) # g: скорость забывания
self.g_proj = nn.Linear(cfg.d_model, v_dim, bias=False) # выходные ворота
self.o_proj = nn.Linear(v_dim, cfg.d_model, bias=False)
# depthwise причинная свёртка по q|k|v
conv_dim = k_dim * 2 + v_dim
self.conv_dim = conv_dim
self.conv = nn.Conv1d(conv_dim, conv_dim, kernel_size=cfg.dn_conv_size,
groups=conv_dim, padding=cfg.dn_conv_size - 1, bias=False)
# обучаемые параметры затухания (инициализация как в Mamba2/Qwen3-Next)
self.A_log = nn.Parameter(torch.log(torch.empty(self.hv).uniform_(1, 16)))
dt = torch.exp(torch.rand(self.hv) * (math.log(0.1) - math.log(0.001)) + math.log(0.001))
dt = dt.clamp(min=1e-4)
self.dt_bias = nn.Parameter(dt + torch.log(-torch.expm1(-dt)))
self.o_norm = RMSNorm(self.hd, cfg.norm_eps)
def forward(self, x, cos=None, sin=None, docs=None):
B, T, _ = x.shape
qkv = torch.cat([self.q_proj(x), self.k_proj(x), self.v_proj(x)], dim=-1)
if docs is None:
qkv = self.conv(qkv.transpose(1, 2))[..., :T].transpose(1, 2) # причинная обрезка
else:
# та же свёртка, но сдвиги, залезающие в предыдущий документ,
# обнуляются. Иначе первые 3 токена документа видят хвост чужого,
# а внимание разносит эту утечку по всему документу
w = self.conv.weight[:, 0, :].to(qkv.dtype) # [C, K]
K = w.shape[1]
pos = docs[2] # позиция внутри документа
out = qkv * w[:, K - 1]
for j in range(1, K):
sh = F.pad(qkv, (0, 0, j, 0))[:, :T]
out = out + sh * (pos >= j)[None, :, None].to(qkv.dtype) * w[:, K - 1 - j]
qkv = out
qkv = F.silu(qkv)
q, k, v = qkv.split([self.k_dim, self.k_dim, self.v_dim], dim=-1)
q = q.view(B, T, self.hk, self.hd).repeat_interleave(self.rep, dim=2)
k = k.view(B, T, self.hk, self.hd).repeat_interleave(self.rep, dim=2)
v = v.view(B, T, self.hv, self.hd)
beta = torch.sigmoid(self.b_proj(x).float())
g = -self.A_log.float().exp() * F.softplus(self.a_proj(x).float() + self.dt_bias.float())
o, _ = chunk_gated_delta_rule(
q=q, k=k, v=v, g=g, beta=beta.to(v.dtype),
use_qk_l2norm_in_kernel=True, # L2-норма Q/K обязательна для устойчивости
# с маской документов состояние обнуляется на границе документа
cu_seqlens=None if docs is None else docs[0],
cu_seqlens_cpu=None if docs is None else docs[1],
)
o = self.o_norm(o).reshape(B, T, self.v_dim)
o = o * torch.sigmoid(self.g_proj(x))
return self.o_proj(o)
def make_doc_mask(x_cpu: torch.Tensor, eos_id: int = 0, device="cuda"):
"""
Границы документов для маски: x_cpu -- батч [B, T] на процессоре.
Батч склеивается в одну строку [1, B*T]; документ начинается после
каждого EOS и на стыке строк батча. Возвращает (cu_seqlens на карте,
то же на процессоре, позиция каждого токена внутри своего документа).
Копия на процессоре избавляет fla от синхронизации с картой.
"""
B, T = x_cpu.shape
N = B * T
flat = x_cpu.reshape(-1)
starts = (flat == eos_id).nonzero().flatten() + 1 # после EOS
starts = torch.cat([starts, torch.arange(0, N + 1, T)]) # стыки строк
cu = torch.unique(starts.clamp(max=N)).to(torch.int32)
lens = cu[1:] - cu[:-1]
pos = torch.arange(N, dtype=torch.int32) - torch.repeat_interleave(cu[:-1], lens)
return (cu.to(device, non_blocking=True), cu,
pos.to(device, non_blocking=True))
# --------------------------------------------------------------------------- #
# Блок и модель целиком
# --------------------------------------------------------------------------- #
class Block(nn.Module):
def __init__(self, cfg: ModelConfig, layer_idx: int):
super().__init__()
self.is_attn = cfg.is_attn_layer(layer_idx)
self.norm1 = RMSNorm(cfg.d_model, cfg.norm_eps)
self.mixer = GatedAttention(cfg) if self.is_attn else GatedDeltaNet(cfg)
self.norm2 = RMSNorm(cfg.d_model, cfg.norm_eps)
self.ffn = SwiGLU(cfg.d_model, cfg.ffn_hidden)
def forward(self, x, cos, sin, docs=None):
x = x + self.mixer(self.norm1(x), cos, sin, docs)
x = x + self.ffn(self.norm2(x))
return x
class HybridLM(nn.Module):
def __init__(self, cfg: ModelConfig):
super().__init__()
self.cfg = cfg
self.embed = nn.Embedding(cfg.vocab_size, cfg.d_model)
self.blocks = nn.ModuleList([Block(cfg, i) for i in range(cfg.n_layers)])
self.norm_f = RMSNorm(cfg.d_model, cfg.norm_eps)
self.lm_head = nn.Linear(cfg.d_model, cfg.vocab_size, bias=False)
if cfg.tie_embeddings:
self.lm_head.weight = self.embed.weight
self.apply(self._init)
# затухающая инициализация выходных проекций: чем глубже, тем тише вклад
for name, p in self.named_parameters():
if name.endswith("o_proj.weight") or name.endswith("down.weight"):
nn.init.normal_(p, std=cfg.init_std / math.sqrt(2 * cfg.n_layers))
self._rope = {}
def _init(self, m):
if isinstance(m, nn.Linear):
nn.init.normal_(m.weight, std=self.cfg.init_std)
elif isinstance(m, nn.Embedding):
nn.init.normal_(m.weight, std=self.cfg.init_std)
elif isinstance(m, nn.Conv1d):
nn.init.normal_(m.weight, std=self.cfg.init_std)
def _rope_for(self, T, device, dtype):
key = (T, device, dtype)
if key not in self._rope:
self._rope[key] = build_rope_cache(
T, self.cfg.head_dim, self.cfg.rope_theta, device, dtype)
return self._rope[key]
def forward(self, idx, targets=None, docs=None):
"""
docs -- маска документов для обучения, из make_doc_mask(): тогда
idx должен быть [1, N] (батч склеен в одну строку), а внимание и
состояние DeltaNet не переходят через границы документов.
"""
B, T = idx.shape
x = self.embed(idx)
cos, sin = self._rope_for(T, idx.device, torch.float32)
use_ckpt = self.cfg.grad_checkpoint and self.training
for blk in self.blocks:
if use_ckpt:
x = torch.utils.checkpoint.checkpoint(blk, x, cos, sin, docs, use_reentrant=False)
else:
x = blk(x, cos, sin, docs)
x = self.norm_f(x)
logits = self.lm_head(x)
loss = None
if targets is not None:
loss = F.cross_entropy(
logits.view(-1, logits.size(-1)).float(),
targets.reshape(-1),
ignore_index=-100,
)
return logits, loss
# ------------------------------------------------------------------ #
def param_counts(self):
emb = self.embed.weight.numel()
total = sum(p.numel() for p in self.parameters())
if self.cfg.tie_embeddings:
non_emb = total - emb
else:
non_emb = total - emb - self.lm_head.weight.numel()
return {"total": total, "embedding": emb, "non_embedding": non_emb}
def optim_groups(self, weight_decay: float):
"""Матрицы штрафуем весовым распадом, векторы (нормы, смещения) — нет."""
decay, no_decay = [], []
for n, p in self.named_parameters():
if not p.requires_grad:
continue
(decay if p.dim() >= 2 else no_decay).append(p)
return [
{"params": decay, "weight_decay": weight_decay},
{"params": no_decay, "weight_decay": 0.0},
]
|