File size: 18,032 Bytes
7b4e7cd
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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},
        ]