当前位置：首页 > article >正文

【拜读】Tensor Product Attention Is All You Need姚期智团队开源TPA兼容RoPE位置编码

article 2026/4/12 5:00:08

在这里插入图片描述
姚期智团队开源新型注意力：张量积注意力（Tensor Product Attention，TPA）。有点像一种「动态的LoRA」，核心思路在于利用张量分解来压缩注意力机制中的 Q、K、V 表示，同时保留上下文信息，减少内存开销。另外巧妙地兼容了RoPE，论文中还证明了流行的MHA、MQA、GQA都是TPA的特殊情况，用一个框架统一了现代注意力设计，解决MLA压缩了KV缓存但与RoPE位置编码不兼容的问题。
张量积注意力（Tensor Product Attention, TPA），用于解决语言模型在处理长序列时的内存开销问题。通过上下文张量分解来表示查询、键和值，从而在推理时显著减少了KV缓存的大小。实验结果表明，TPA在保持模型性能的同时，显著降低了内存开销，能够处理更长的序列上下文。此外，TPA与旋转位置嵌入（RoPE）兼容，便于在现代大型语言模型架构中应用。总体而言，TPA提供了一种灵活且内存高效的替代方案，推动了现代语言模型的可扩展性。

核心机制总结

具体来说，

张量分解：首先，TPA使用张量分解来表示查询（Q）、键（K）和值（V），从而在推理时显著减少KV缓存的大小。通过将表示分解为上下文低秩分量（contextual factorization），TPA实现了比标准多头注意力（MHA）低一个数量级的内存开销，同时降低了预训练验证损失（困惑度）并提高了下游性能。
- 张量积投影：通过两组线性层（A 投影和 B 投影）对输入进行变换，这是张量积注意力的核心操作之一。
- 缓存机制：使用缓存来存储 K 和 V 的值，以便在后续计算中使用，这有助于提高计算效率。
- 旋转位置嵌入：应用旋转位置嵌入来处理序列中的位置信息。
- 注意力计算：通过矩阵乘法计算注意力分数，并使用 softmax 进行归一化，最后得到输出。
与RoPE的兼容性：TPA与旋转位置嵌入（RoPE）天然兼容，可以直接替代多头注意力（MHA）层，便于在现代大型语言模型架构（如LLaMA和Gemma）中应用。
公式描述：具体来说，TPA的查询、键和值的分解公式如下：

$Q_{t}=\frac{1}{R_{Q}}\sum_{r=1}^{R_{Q}} a_{r}^{Q}\left(x_{t}\right)\otimes b_{r}^{Q}\left(x_{t}\right)$

$K_{t}=\frac{1}{R_{K}}\sum_{r=1}^{R_{K}} a_{r}^{K}\left(x_{t}\right)\otimes b_{r}^{K}\left(x_{t}\right)$

$V_{t}=\frac{1}{R_{V}}\sum_{r=1}^{R_{V}} a_{r}^{V}\left(x_{t}\right)\otimes b_{r}^{V}\left(x_{t}\right)$

其中， $a_{r}^{Q}(x_{t})$ , $b_{r}^{Q}(x_{t})$ 是查询的因子， $a_{r}^{K}(x_{t})$ 和 $b_{r}^{K}(x_{t})$ 是键的因子， $a_{r}^{V}(x_{t})$ 和 $b_{r}^{V}(x_{t})$ 是值的因子。

实验设计

数据集：实验在FineWeb-Edu 100B数据集上进行，该数据集包含1000亿个训练令牌和10亿个验证令牌。
模型对比：实验中将T6与基线Llama架构（使用SwiGLU激活和RoPE嵌入）以及Llama变体（将多头注意力替换为多查询注意力MQA、分组查询注意力GQA或多头潜在注意力MLA）进行对比。
训练设置：实验采用nanoGPT训练配置，使用AdamW优化器，学习率由余弦退火调度器管理，训练阶段分别为2000步预热和全局批量大小为480。

结果与分析

训练和验证曲线：中等规模（353M）、大规模（773M）和超大规模（1.5B）模型的训练和验证损失曲线显示，TPA及其简化变体TPA-KVonly的收敛速度与基线MHA、MQA、GQA和MLA相当或更快，并且在整个训练过程中保持了较低的验证损失。
验证困惑度：中等规模和大规模模型的验证困惑度曲线显示，TPA和TPA-KVonly在大多数配置下在整个训练过程中保持了较低的困惑度。预训练结束时，TPA基线的困惑度最低。
下游评估：在标准基准上的零样本和两样本评估结果显示，中等规模模型中，TPA的平均准确率为51.41%，高于MHA的50.11%、MQA的50.44%和MLA的50.13%。大规模模型中，TPA-KVonly的平均准确率为53.52%，而超大规模模型中，TPA-KVonly的平均准确率为55.03%。

优点与创新

显著的内存效率提升：通过张量分解表示查询、键和值，显著减少了推理时的KV缓存大小，相比标准多头注意力机制（MHA）提升了10倍以上。
模型性能提升：在预训练验证损失（困惑度）和下游评估性能方面均优于现有的多头注意力、多查询注意力、分组查询注意力和多头潜在注意力等方法。
与RoPE的兼容性：TPA天然兼容旋转位置嵌入（RoPE），可以直接替代多头注意力层，便于在现代大型语言模型架构（如LLaMA和Gemma）中应用。
统一的注意力机制框架：揭示了多头注意力、多查询注意力和分组查询注意力都可以作为非上下文变体的TPA自然出现。
灵活的变体：TPA的变体包括仅分解键/值或跨标记共享基向量，展示了在平衡内存成本、计算开销和表示能力方面的多样性。

关键问题及回答

问题1：张量积注意力（TPA）是如何通过张量分解来表示查询（Q）、键（K）和值（V）的？

张量积注意力（TPA）通过将查询（Q）、键（K）和值（V）分解为多个低秩张量的和来表示。具体来说，每个头的查询、键和值被分解为多个低秩张量的和：

$Q_{t}=\frac{1}{R_{Q}}\sum_{r=1}^{R_{Q}} a_{r}^{Q}\left(x_{t}\right)\otimes b_{r}^{Q}\left(x_{t}\right)$

$K_{t}=\frac{1}{R_{K}}\sum_{r=1}^{R_{K}} a_{r}^{K}\left(x_{t}\right)\otimes b_{r}^{K}\left(x_{t}\right)$

$V_{t}=\frac{1}{R_{V}}\sum_{r=1}^{R_{V}} a_{r}^{V}\left(x_{t}\right)\otimes b_{r}^{V}\left(x_{t}\right)$

其中， $a_{r}^{Q}$ , $a_{r}^{K}$ , $a_{r}^{V}$ 和 $b_{r}^{Q}$ , $b_{r}^{K}$ , $b_{r}^{V}$ 是可学习的参数矩阵， $x_{t}$ 是第t个标记的隐藏状态向量。通过这种张量分解，TPA能够显著减少KV缓存的大小，同时提高表示能力。

问题2：张量积注意力（TPA）与旋转位置嵌入（RoPE）的兼容性如何？

张量积注意力（TPA）与旋转位置嵌入（RoPE）天然兼容。RoPE是一种用于编码位置信息的编码方式，能够在保持相对位置关系的同时进行旋转。TPA可以直接替换多头注意力（MHA）层，便于在现代大型语言模型（如LLaMA和Gemma）中应用。具体来说，RoPE可以通过以下公式进行预旋转：

$\widetilde{B}_{K}\left(x_{t}\right)\longleftarrow\operatorname{RoPE}_{t}\left(B_{K}\left(x_{t}\right)\right)$

这样，每个键在缓存之前就已经旋转，从而避免了在解码时显式进行旋转操作，加速了自回归推理过程。

问题3：张量积注意力（TPA）在实验中的性能如何？

张量积注意力（TPA）在实验中表现出色。具体来说，在FineWeb-Edu 100B数据集上的中型（353M）、大型（773M）和XL（1.5B）模型的训练和验证损失曲线显示，TPA及其简化变体TPA-KVonly收敛速度与基线MHA、MQA、GQA和MLA相当或更快，且最终损失更低。验证困惑度曲线也表明，TPA和TPA-KVonly在训练过程中始终优于MHA、MQA、GQA和MLA，并在预训练结束时达到最低的困惑度。

在下游评估中，TPA和TPA-KVonly在中型和大型模型上均表现出色。例如，中型模型在零样本情况下的平均准确率达到51.41%，在两样本情况下的平均准确率达到53.12%。这些结果表明，TPA在各种基准测试中均优于现有的多头注意力、多查询注意力和分组查询注意力机制，解决了语言模型在处理长序列时的内存开销问题。

代码

张量积注意力（TPA）机制的核心代码主要实现在TPA类中，下面对其核心代码进行详细解读。

类定义与初始化

class TPA(nn.Module):def __init__(self, args: ModelArgs):super().__init__()# 若未指定 n_kv_heads，则使用 n_heads 的值self.n_kv_heads = args.n_heads if args.n_kv_heads is None else args.n_kv_headsself.n_heads = args.n_heads# 若 head_dim 大于 0 则使用其值，否则通过计算得到self.head_dim = args.head_dim if args.head_dim > 0 else args.dim // args.n_headsself.n_head = args.n_headsself.q_rank = args.q_rankself.rank = args.rankself.dim = args.dimself.using_groupnorm = args.using_groupnorm# 定义 A 投影的线性层，用于 Q、K、Vself.W_A_q = nn.Linear(args.dim, self.n_head * self.q_rank, bias=False)self.W_A_k = nn.Linear(args.dim, self.n_head * self.rank, bias=False)self.W_A_v = nn.Linear(args.dim, self.n_head * self.rank, bias=False)# 定义 B 投影的线性层，用于 Q、K、Vself.W_B_q = nn.Linear(args.dim, self.q_rank * self.head_dim, bias=False)self.W_B_k = nn.Linear(args.dim, self.rank * self.head_dim, bias=False)self.W_B_v = nn.Linear(args.dim, self.rank * self.head_dim, bias=False)# 初始化缓存，用于存储 K 和 V 的值self.cache_kA = torch.zeros((args.max_batch_size, args.max_seq_len, self.n_heads, self.rank,)).cuda()self.cache_vA = torch.zeros((args.max_batch_size, args.max_seq_len, self.n_heads, self.rank,)).cuda()self.cache_kB = torch.zeros((args.max_batch_size, args.max_seq_len, self.rank, self.head_dim,)).cuda()self.cache_vB = torch.zeros((args.max_batch_size, args.max_seq_len, self.rank, self.head_dim,)).cuda()self.reset_parameters()if self.using_groupnorm:self.subln = T6GroupNorm(self.head_dim, eps=1e-5, elementwise_affine=True)

在初始化函数中，首先接收一个ModelArgs类型的参数args，然后设置一些必要的超参数，如头的数量、秩等。接着定义了两组线性层，分别用于 A 投影和 B 投影。同时，还初始化了缓存用于存储 K 和 V 的值，以便在后续计算中使用。最后，调用reset_parameters方法对权重进行初始化，并根据using_groupnorm参数决定是否使用组归一化。

权重初始化

    def reset_parameters(self, args):# 将 W_A_q 的权重进行变形，然后使用 Xavier 均匀初始化W_A_q_tensor = self.W_A_q.weight.view(self.dim, self.n_head, self.q_rank)nn.init.xavier_uniform_(W_A_q_tensor)self.W_A_q.weight.data = W_A_q_tensor.view_as(self.W_A_q.weight)# 对 W_A_k 和 W_A_v 做同样的操作W_A_k_tensor = self.W_A_k.weight.view(self.dim, self.n_head, self.rank)nn.init.xavier_uniform_(W_A_k_tensor)self.W_A_k.weight.data = W_A_k_tensor.view_as(self.W_A_k.weight)W_A_v_tensor = self.W_A_v.weight.view(self.dim, self.n_head, self.rank)nn.init.xavier_uniform_(W_A_v_tensor)self.W_A_v.weight.data = W_A_v_tensor.view_as(self.W_A_v.weight)# 对 B 投影的权重做同样的操作W_B_q_tensor = self.W_B_q.weight.view(self.dim, self.q_rank, self.head_dim)nn.init.xavier_uniform_(W_B_q_tensor)self.W_B_q.weight.data = W_B_q_tensor.view_as(self.W_B_q.weight)W_B_k_tensor = self.W_B_k.weight.view(self.dim, self.rank, self.head_dim)nn.init.xavier_uniform_(W_B_k_tensor)self.W_B_k.weight.data = W_B_k_tensor.view_as(self.W_B_k.weight)W_B_v_tensor = self.W_B_v.weight.view(self.dim, self.rank, self.head_dim)nn.init.xavier_uniform_(W_B_v_tensor)self.W_B_v.weight.data = W_B_v_tensor.view_as(self.W_B_v.weight)

reset_parameters方法用于对线性层的权重进行初始化，采用 Xavier 均匀初始化方法，这有助于提高模型的训练稳定性。

前向传播

    def forward(self,x: torch.Tensor,start_pos: int,freqs_cis: torch.Tensor,mask: Optional[torch.Tensor],):bsz, seqlen, _ = x.shape# 计算 A 投影的 Q、K、VA_q = self.W_A_q(x).view(bsz, seqlen, self.n_head, self.q_rank)A_k = self.W_A_k(x).view(bsz, seqlen, self.n_head, self.rank)A_v = self.W_A_v(x).view(bsz, seqlen, self.n_head, self.rank)# 计算 B 投影的 Q、K、VB_q = self.W_B_q(x).view(bsz, seqlen, self.q_rank, self.head_dim)B_k = self.W_B_k(x).view(bsz, seqlen, self.rank, self.head_dim)B_v = self.W_B_v(x).view(bsz, seqlen, self.rank, self.head_dim)# 缓存 A_k 和 A_vself.cache_kA = self.cache_kA.to(A_k)self.cache_vA = self.cache_vA.to(A_v)self.cache_kA[:bsz, start_pos : start_pos + seqlen] = A_kself.cache_vA[:bsz, start_pos : start_pos + seqlen] = A_vA_k = self.cache_kA[:bsz, : start_pos + seqlen]A_v = self.cache_vA[:bsz, : start_pos + seqlen]# 缓存 B_k 和 B_vself.cache_kB = self.cache_kB.to(B_k)self.cache_vB = self.cache_vB.to(B_v)self.cache_kB[:bsz, start_pos : start_pos + seqlen] = B_kself.cache_vB[:bsz, start_pos : start_pos + seqlen] = B_vB_k = self.cache_kB[:bsz, : start_pos + seqlen]B_v = self.cache_vB[:bsz, : start_pos + seqlen]# 重塑 A_q、A_k、A_vA_q = A_q.view(bsz * seqlen, self.n_head, self.q_rank)A_k = A_k.view(bsz * seqlen, self.n_head, self.rank)A_v = A_v.view(bsz * seqlen, self.n_head, self.rank)# 重塑 B_q、B_k、B_vB_q = B_q.view(bsz * seqlen, self.q_rank, self.head_dim)B_k = B_k.view(bsz * seqlen, self.rank, self.head_dim)B_v = B_v.view(bsz * seqlen, self.rank, self.head_dim)# 计算 q、k、vq = torch.bmm(A_q, B_q).div_(self.q_rank).view(bsz, seqlen, self.n_head, self.head_dim)k = torch.bmm(A_k, B_k).div_(self.rank).view(bsz, seqlen, self.n_head, self.head_dim)v = torch.bmm(A_v, B_v).div_(self.rank).view(bsz, seqlen, self.n_head, self.head_dim)# 应用旋转位置嵌入q, k = apply_rotary_emb(q, k, freqs_cis=freqs_cis)# 计算注意力分数k = k.transpose(1, 2) scores = torch.matmul(q.transpose(1, 2), k.transpose(2, 3)) / math.sqrt(self.head_dim)if mask is not None:scores = scores + mask  scores = F.softmax(scores.float(), dim=-1).type_as(q)# 计算输出output = torch.matmul(scores, v.transpose(1, 2))  output = output.transpose(1, 2).contiguous().view(bsz, seqlen, -1)return self.wo(output)

在前向传播函数中，首先获取输入的形状。然后分别计算 A 投影和 B 投影的 Q、K、V，并对其进行缓存。接着对 A 和 B 投影的结果进行重塑，通过矩阵乘法计算最终的 q、k、v。之后应用旋转位置嵌入，计算注意力分数并进行归一化，最后通过矩阵乘法得到输出。