一个KimiK32026大约能塞进22580个GPT-22019。参数从1.24亿跃升到2.8万亿七年时间。表面上只是规模在堆但真正决定模型能不能有效利用这些参数的是它如何存储、更新和检索信息。我起初以为线性注意力只是把O(N²)换成O(N)的简单近似后来顺着源码和论文一路往下看发现每一步都在解决前一步留下的具体瓶颈固定容量的关联记忆一旦写满纯加法更新就会让旧信息互相干扰。没有合适的驱逐和修正机制再大的参数也只是浪费。GPT-2是经典的解码器-only架构。输入先加上token和位置嵌入然后进入12个Transformer块。每个块里注意力先算Q、K、V投影再做softmax(QKᵀ)V。最终隐藏状态经过LM头得到词表logits。自回归生成时每一步其实只需要最后一个位置的logits但如果不做缓存模型会把前面所有token的投影重新算一遍。KV缓存就是为了解决这个冗余把已生成token的key和value向量存下来后续只追加新token的投影。代价也立刻显现——缓存随序列长度线性增长很快变成内存带宽瓶颈。GPT-2参数量约1.24亿词表约5万、12层、12头、嵌入维度768。线性注意力把softmax换成特征映射比如ELU1分别作用在q和k上让QK乘积可以重关联于是整个历史K、V可以折叠进一个固定的D×D状态矩阵。每一步只做两次ND读和两次1D写状态大小不再随N增长。代价是特征映射的表达力弱于指数精度会有损失实际损失大小取决于架构和任务。问题来了。固定大小的状态必须覆盖或合并已有信息。新token的写入是加法旧关联无法被精确隔离。一旦序列长度远超有效容量干扰就不可避免。DeltaNet正是为了解决这个“过载后无法恢复”的问题。Delta规则的核心很直观写入前先问当前key能从缓存里读出什么把旧值从目标value里减掉再把差值按key方向写回去。旧信息被擦除新信息被精确替换。用矩阵语言就是S ← S kᵀ(v - S k)。这相当于在有限白板上用橡皮擦精确改写某一处笔记而不是把新纸一张张叠上去。实现上直接顺序更新是线性时间但训练时需要并行。作者把序列切成大小C的chunk常用64或128匹配tensor-core粒度。块内做带mask的真实注意力score-first块间做状态优先的循环更新。C1退回纯线性CN退回全注意力。FLOPs里有固定的2Ld²状态项和随C增长的2LCd项。C越小纯计算越省但硬件利用率不一定最高。Gated DeltaNet再往前走一步。Delta只能精确替换某个关联无法在上下文切换时整体衰减。Mamba式的统一衰减又太粗暴——所有关联一起被乘上同一个α。Gated Delta把两者合起来α∈[0,1]控制前一状态的衰减强度α1时退回纯Deltaα0时清空记忆。实现上仍用相同的chunk重参数化只是多了数据依赖的标量衰减并维护累积的γ因子来正确处理跨chunk的衰减链。Kimi LinearKDA在Gated DeltaNet基础上引入细粒度通道级衰减每个通道有自己的α而不是一个全局标量。同时采用混合架构——大部分层用KDA提供常数状态的循环记忆周期性插入Multi-head Latent AttentionMLA保留完整的softmax检索能力。MLP被换成MoE容量被精确加在需要的地方。KimiK3的语言骨干基本沿用这个思路23个四层宏循环每循环三层KDA、一层MLA。第一层用稠密FFN其余用latent-space MoE共898个专家2个共享路由选16个。激活从SiLU换成SiTU共享专家在压缩的latent空间计算。此外还有MLA的query LoRA、输出门控以及每12层一次的blockwise Attention ResidualsAttnRes。AttnRes解决的是深度方向的信息流动。普通残差是简单累加hₗ h₁ Σ fᵢ(hᵢ)后期层必须输出越来越大的值才能影响累积状态训练容易不稳定且不同层无法选择性取用早期表示。AttnRes给每一项乘上可学习的权重αᵢ由层专属query与早期状态的key做点积并归一化hₗ α₀·h₁ Σ αᵢ·fᵢ(hᵢ)实际落地时只在每12层的块边界做一次成本可控却能让模型按需检索更早的深度表示。KDA负责序列方向的常数状态记忆MLA负责token上下文的精确检索AttnRes负责深度方向的选择性访问。三者各自解决固定容量记忆必然带来的“必须丢弃部分信息”问题。下面是注意力机制演进的核心权衡对比机制状态大小更新方式主要瓶颈表达力与硬件权衡标准MHA KV CacheO(N)追加内存带宽、二次计算精确但长序列贵线性注意力O(D²)纯加法过载后干扰常数状态表达力近似DeltaNetO(D²)减法修正无法整体衰减精确写回并行需重参数化Gated DeltaNetO(D²)门控Delta通道级控制不足兼顾遗忘与修正KDA (Kimi Linear)O(D²) 周期MLA通道级门控混合实现复杂度细粒度控制 全局检索KimiK3同上 AttnRes深度选择性融合内核需求容量按功能分配我起初觉得“再加一点门控就差不多了”后来看到chunk并行和通道级α的实现细节才意识到真正难的是在保持硬件友好的前提下让固定状态既能精确写又能按需忘。纯规模扩张如果没有对应的驱逐与检索机制只是把干扰也一起放大。固定容量的关联记忆无论是D×D矩阵还是有限专家最终都需要驱逐策略。纯加法会在过载后产生不可逆干扰Delta给出精确擦写门控给出整体衰减通道级和深度残差再把粒度做细。KimiK3把这些机制组合起来让额外参数真正服务于“存什么、怎么改、从哪里取”而不是简单地堆更多相同的层。你在自己的长上下文或推理服务里是否已经遇到过KV缓存成为绝对瓶颈、却又不敢彻底换成线性方案的情况下一次做架构选型时不妨先问一句新加的容量到底解决了哪种具体的信息丢失我是紫微AI在做一个「人格操作系统ZPF」。后面会持续分享AI Agent和系统实验。感兴趣可以关注我们下期见。