## Qwen3-4B-Instruct + Titans NeuralMemory（MAC 风格）集成流程说明

本文档描述当前仓库里 **“Qwen3-4B-Instruct 作为 Core（短期处理器） + Titans NeuralMemory 作为长期记忆”** 的实际落地方式，代码入口为：

- `examples/train_qwen_titans_babilong.py`

---

## 整体思路（Streaming + MAC）

- **Core**：`Qwen3-4B-Instruct` 只负责处理一个可控窗口大小的 chunk（例如 4k）。
- **Long-term Memory**：`titans_pytorch.NeuralMemory` 维护一个随 chunk 滚动更新的 **memory_state**（快权重/动量等状态）。
- **MAC（Memory-as-Context）风格注入**：每个 chunk 开始时，从长期记忆 **读取一小段 memory tokens**，将它们 **作为“额外上下文 token”前缀** 拼到 chunk 前面，让 Qwen 在注意力里直接可用。

这使得整体序列长度可以远大于 Qwen 的单次可承受长度：Qwen 看到的是「当前 chunk + 记忆 tokens」，而长期信息通过 Titans 的 state 跨 chunk 保留与检索。

---

## 关键代码组件

### 1) `TitansLongTermMemory`：长期记忆模块封装

位置：`examples/train_qwen_titans_babilong.py`

内部包含：

- **`self.neural_memory: NeuralMemory`**
  - `dim = hidden_size`
  - `heads = config.memory_heads`
  - `dim_head = config.memory_dim_head`
  - `model = MemoryMLP(dim=dim_head, depth=config.memory_depth, ...)`
  - 写入稳定性相关配置：`default_step_transform_max_lr / init_adaptive_step_bias / max_grad_norm / ...`
- **`self.memory_query_tokens: nn.Parameter`**
  - 形状 `[1, 16, hidden_size]`
  - 作为“从长期记忆里检索”的查询 token（可训练）
- **`self.memory_proj: nn.Sequential`**
  - 将 `retrieve_memories()` 的输出再映射回适合注入 Qwen 的表征空间

#### `read()`：只读检索（不会写入）

当前实现 **明确避免** 使用 `NeuralMemory.forward(queries)` 来读：

- `NeuralMemory.forward()` 默认会同时做 store + retrieve
- 如果用 queries 调 `forward()`，会把 query 也写进记忆，造成污染

因此当前实现采用：

- 从 `memory_state.states[0]` 取出“最新快权重”作为 `weights`
- 调用 `self.neural_memory.retrieve_memories(queries, weights)` 完成纯检索

#### `write()`：写入更新（跨 chunk 不反传）

写入时调用：

- `self.neural_memory(hidden_states, state=..., store_mask=..., detach_mem_state=True)`

其中 `detach_mem_state=True` 的含义是：

- **记忆 state 的更新过程不参与跨 chunk 的反向传播**
- 优点：训练更稳、显存更省、避免长链条反传导致 NaN/爆显存
- 代价：loss 不会“端到端”优化写入更新过程（但仍可优化 query/proj 等参数）

---

### 2) `QwenTitansForBABILong`：Qwen + 记忆的主包装模型

位置：`examples/train_qwen_titans_babilong.py`

包含：

- `self.qwen`: `AutoModelForCausalLM` 加载的 Qwen3
- `self.long_term_memory`: `TitansLongTermMemory`
- `self.memory_gate`: 当前仅占位（参数会训练/保存，但 **forward 里未实际使用**，目前是“纯 memory tokens 前缀注入”路线）

并做了关键的 device/dtype 对齐：

- Qwen 通常用 `bf16`
- 记忆模块可以强制用 `float32`（`config.memory_fp32=True`）以降低 NaN 风险

---

## 前向流程（单个样本，Streaming）

入口：`QwenTitansForBABILong.forward(input_ids, attention_mask, labels)`

### Step 0：输入形状与 chunk 划分

- 输入被固定为 `seq_len = config.max_length`（例如 32768）
- 用 `chunk_size`（例如 4096）切成多个 chunks（例如 8 个）
- 为了覆盖 chunk 边界的 next-token 预测，每个 chunk 会带 **1 个 overlap token**：
  - `proc_start = max(0, start - 1)`
  - 当前 chunk 实际处理 `[proc_start, end)`，但写入记忆只写 `[start, end)`（避免重复写 overlap）

### Step 1：从长期记忆读取 memory tokens

- 初始 `memory_state = None`：第一段不会注入 memory tokens
- 从第二个 chunk 开始：
  - `memory_tokens = long_term_memory.read(batch_size, memory_state, num_tokens=config.num_memory_tokens)`

### Step 2：把 memory tokens 作为前缀注入 Qwen（MAC）

在 `_process_chunk()` 中完成：

- 先拿到 token embeddings：`token_embeds = qwen.model.embed_tokens(chunk_ids)`
- 若存在 memory tokens：
  - `nan_to_num + scale + clamp`（避免记忆扰动太大引发不稳定）
  - `torch.cat([memory_tokens, token_embeds], dim=1)` 作为 `inputs_embeds`
  - 同步扩展 `attention_mask`：为 memory token 补 1

### Step 3：调用 `self.qwen.model(...)` 做 chunk 前向

这里必须走 `Qwen3Model.forward()`（即 `self.qwen.model`），原因是：

- Qwen3Attention 依赖 `position_embeddings=(cos, sin)` 等由 `Qwen3Model` 内部生成并传入
- 不能直接逐层调用 `Qwen3DecoderLayer`（会出现 `cos, sin = position_embeddings` 的 None 问题）

得到：

- `hidden_states = outputs.last_hidden_state`
- 如果注入了 memory tokens，则把它们从输出里切掉：`hidden_states = hidden_states[:, num_mem:]`

### Step 4：把 chunk 的 hidden 写入 Titans 记忆

写入采用：

- 去掉 overlap 的 `chunk_hidden`
- `store_mask` 用 `attention_mask`（padding=0 的位置不写入）
- 调用 `long_term_memory.write(mem_inp, state=memory_state, store_mask=...)`

返回并更新：

- `memory_state = next_state`

### Step 5：只在“答案 tokens”上计算 loss（省显存）

`labels` 中：

- prompt 与 padding 为 `-100`
- 仅答案 token 有监督标签

loss 计算策略：

- 只选择 `labels != -100` 的位置
- 对应 hidden 做 shift（next-token）
- 仅对有效位置做 `lm_head` 与交叉熵（避免全 vocab、全序列 logits 占用巨大显存）

---

## 分布式训练（FSDP）集成要点

代码入口仍在：`examples/train_qwen_titans_babilong.py`

- **必须 `device_map=None`**：FSDP/DDP 不允许 HF 自动切分到多卡
- **强制 `attn_implementation="sdpa"`**：避免环境里 flash-attn/torchao/torchvision 的兼容性导入问题
- **FSDP wrap 策略**：
  - 只 wrap `Qwen3DecoderLayer`
  - `ignored_modules=[model.long_term_memory, model.memory_gate]`：记忆模块不参与分片（便于保存/调试，也避免小模块反复 allgather）
- **固定长度输入（非常关键）**：
  - FSDP 需要所有 rank 每步进入 collectives 的顺序一致
  - 如果不同 rank 的 chunk 次数不同，会出现 `_ALLGATHER_BASE` / `ALLREDUCE` 顺序错位，从而 NCCL watchdog 超时
  - 因此数据侧必须 pad 到 `config.max_length`，保证每步 chunk 数一致

---

## 当前实现的取舍与可改进点

- **`memory_gate` 目前未参与 forward**：现在是纯“memory tokens 作为上下文前缀”的 MAC 注入；如果需要门控融合，需要在 forward 里显式引入 gate 计算与融合路径。
- **`detach_mem_state=True`**：训练更稳/省显存，但不会端到端训练“写入更新过程”；如果后续要做更强的端到端学习，需要重新评估这条策略（以及显存与稳定性代价）。