Kimi 团队用 Attention Residuals 取代传统残差连接，通过注意力机制选择性聚合特征，提升计算效率和推理能力，或将开启深度学习 2.0 时代。
原文标题：告别残差加法，Kimi 给神经网络换了个 “智能引擎”
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、论文中提到 Block AttnRes 可以有效降低计算复杂度，并获得绝大部分性能增益。这种分块策略在其他深度学习模型中是否常见？还有哪些其他的优化策略可以借鉴？
3、Attention Residuals 在数学、代码等硬核任务上提升显著。你认为这是因为注意力机制更擅长捕捉这些任务中的哪些关键信息？
原文内容
来源：算法进阶本文约2800字，建议阅读6分钟本文介绍了 Kimi 团队用 Attention Residuals 替代传统残差机制的成果。
只要接触深度学习神经网络的读者们对「 」一定不会陌生。自从 2015 年 ResNet 诞生以来，这种「将输入直接加到输出上」的简单逻辑，统治了几乎所有神经网络架构。
但就在刚刚，沿用了十年的残差机制「升级」了。随橙想呢，替代方法竟然是「注意力机制」。背后的直觉是：模型的「深度」其实就是另一种形式的「时间」。
就连 OpenAI 「推理模型之父」，主导了 o1/o3 系列、Codex 编程模型及 GPT-4 的 STEM 能力开发的 Jerry Tworek 都深受这一论文启发，认为应当重新思考之前的一切，「深度学习 2.0」的时代即将到来。
这篇颠覆传统残差连接机制的工作来自 Kimi 团队，发布了一项重磅技术报告：Attention Residuals ，该方法旨在通过对前序层进行学习到的、依赖输入的注意力机制，来取代标准的深度递归。
-
论文标题：Attention Residuals
-
论文链接：https://github.com/MoonshotAI/Attention-Residuals/blob/master/Attention_Residuals.pdf
-
项目链接：https://github.com/MoonshotAI/Attention-Residuals
01 时间与深度的对偶
要理解 Attention Residuals 是在做什么，我们得先看传统的残差连接 出了什么问题。
在大模型向更深、更强演进的过程中，这种残差的加法机制带来了两个副作用：
1. 信息稀释： 残差连接采用固定单位权重的均匀聚合，导致浅层特征在向深层传递时，其相对贡献度随深度线性衰减。这种「信息稀释」现象限制了深层网络对底层原始表示的直接利用能力。随着层数增加，第一层的信息传到第一百层时，已经被后面九十九层的信息层层冲淡。
2. 隐藏状态爆炸：为了在不断累加的残差流中维持信号强度，深层模块往往需要输出模长更大的激活值。这种隐状态的无序扩张不仅破坏了数值稳定性，还导致梯度分布不均，增加了超大规模模型训练收敛的难度，直接导致了训练的不稳定性。
本文的天才之处在于，发现模型的「深度」其实就是另一种形式的「时间」。
论文作者之一的 Yulun Du 老师道出了该论文的核心思想：将注意力旋转 90°。
Attention Residuals (AttnRes) 由此诞生：为每一层配备了一个「智能筛选器」。每一层都会发出一个 Query，去之前的所有层里寻找最相关的特征，并按需分配权重进行聚合。
正如 RNN 在时间维度上的表现，残差连接在深度维度上也将所有先验信息压缩到了单一状态 中。在序列建模领域，Transformer 通过将递归替换为注意力机制，超越了 RNN，使每个位置都能通过数据依赖的权重，选择性地访问之前的所有位置。研究团队针对「深度」提出了同样的方法：
其中 是层特定的注意力权重，且满足 。与动辄达到数百万 Token 的序列长度不同，网络的深度通常较浅（L＜1000），这使得深度方向上O（L2）复杂度的注意力机制在计算上具有可行性。
02 注意力残差
1. 理论重构：完整的注意力残差
传统的残差连接（ResNet）本质上是深度递归：它像 RNN 一样，把过去所有层的信息死板地 「压缩」进一个求和状态中。
注意力权重可以表示为 。本文采用了带有归一化的指数核函数，即在深度维度上执行 Softmax 注意力：
-
核心创新： 既然 Transformer 用注意力机制取代了 RNN，解决了长序列的遗忘问题；那么 AttnRes 就在深度上取代了残差累加。
-
数学实现： 每一层不再是简单地加上前一层，而是发出一个可学习的 Query，去和之前所有层产生的 Key 做匹配。
-
Softmax 权重： 通过 Softmax 归一化，模型可以 「挑选」 出对自己最有用的某几层。比如第 50 层可以直接提取第 2 层的特征，权重占比可以高达 0.8，而不用担心被中间的 48 层稀释。
2. 工程落地：Block AttnRes 的分块策略
全量注意力（Full AttnRes）虽然完美，但在超深模型里会导致显存和通信量爆炸（ 复杂度）。为了让模型跑得通，研究团队设计了块结构。
局部求和（Intra-Block）： 把模型分成 N 个块。在块内部，各层输出依然进行简单的累加，缩减为一个 「块代表」（Representation）：
全局调度（Inter-Block）： 每一层在进行残差聚合时，不再盯着 「每一层」 看，而是盯着 「每一个块」 看。对于第 n 块中的第 i 层，其 Value 矩阵 定义为：
在这种设计下，网络的第一层接收 Token 嵌入；每个块的第一层接收之前所有的块表示及 Token 嵌入；块内的后续层则额外关注当前块内已产生的累加结果。最终的输出层聚合所有 N 个块表示。
-
效率奇迹： 实验发现，即便模型有上百层，只要划分成 N≈8 个块，就能获得绝大部分性能增益。
-
复杂度骤降： 内存开销从随层数 L 增长，降到了随块数增长。这意味着你可以用极小的代价（推理延迟增加 < 2%），获得一个 「更聪明」 的深层网络。
图 1：Attention Residuals 概览：(a) 标准残差（Standard Residuals）： 采用均匀加法累加的传统残差连接方式。(b) 全量注意力残差（Full AttnRes）： 每一层都通过学习到的注意力权重，有选择地聚合之前所有层的输出。(c) 块注意力残差（Block AttnRes）： 将各层划分为若干个「块」，将内存开销从 O (Ld) 降低至 O (Nd)。
03 战果：1.25 倍的「计算杠杆」
根据论文信息，实验架构与 Kimi Linear 完全一致，这是一种遵循 Moonlight / DeepSeek-V3 设计的混合专家模型（MoE） Transformer。唯一的修改是在残差连接中加入了 AttnRes；模型深度、隐藏维度、专家路由和 MLP 结构等其他组件均保持不变。
研究团队测试了五种模型规模，并为每种规模训练了三个变体：PreNorm 基准模型、全量 AttnRes 以及约 8 个块的 Block AttnRes。
下图展示了拟合后的规模化曲线。
三个变体的斜率相似，但 AttnRes 在整个计算范围内一致实现了更低的损耗（Loss）。基于拟合曲线，在 5.6 PFLOP/s-days 的计算量下，Block AttnRes 的损耗为 1.692，而基准模型为 1.714，这相当于1.25 倍的计算优势（Compute Advantage） 。随着模型规模增大，Full 与 Block 变体之间的差距在缩小。
研究团队的最大模型基于 Kimi Linear 48B 配置：27 个 Transformer 块（共 54 层），在 256 个路由专家中激活 8 个，外加 1 个共享专家，总参数 48B，激活参数 3B。该模型采用 Block AttnRes，每块 6 层，共产生 9 个块外加 1 个 Token 嵌入，形成 10 个深度方向的来源。
上图展示了模型在 1T token 训练过程中的动态变化：
-
验证损耗： AttnRes 在整个训练过程中始终保持较低的验证损耗，尤其在衰减（Decay）阶段差距进一步拉大。
-
输出量级： 基准模型遭受 PreNorm 稀释问题：随着隐状态量级随深度单调增长，深层网络被迫从固定缩放的归一化输入中学习越来越大的输出，以维持影响力。而 Block AttnRes 将这种增长限制在每个块内，通过块边界的选择性聚合重置了累加过程，呈现出有界的周期性模式。
-
梯度量级： 在所有残差权重固定为 1 的基准模型中，梯度流在深度上的分布极不均匀，导致早期层梯度过大。Block AttnRes 的可学习 Softmax 权重引入了来源之间的竞争，从而实现了显著更均匀的梯度分布。
下游性能表现： 如上表所示，Block AttnRes 在所有评测任务中均达到或超过了基准模型。
-
提升显著的任务： 在多步推理任务中提升尤为突出，如 GPQA-Diamond (+7.5) 、Minerva Math (+3.6) 以及代码生成 b
-
知识类任务： MMLU (+1.1) 和 TriviaQA (+1.9) 也展现了稳健的提升。
数据给出了最有力的证明：
-
计算效率： 达到同样的性能，AttnRes 相比传统残差节省了约 20% 的计算量（1.25x 优势）。
-
逻辑推理： 在数学、代码等硬核任务上提升显著。例如，在极难的 GPQA-Diamond 测试中，性能提升了 7.5 分。
-
稳定性： 成功抑制了隐藏状态的数值爆炸，让深层网络依然能保持「冷静」和「高效」。
04 总结：Rethink & Imagine
用更高维的视角看基础架构的研究，时间和空间都是相通的。
这篇论文「将注意力旋转 90°」的思想，似乎带给 Karpathy 一些启示和思考。
ResNet 的残差流是信息在不同空间深度上的传递。SGD （随机梯度下降）的权重流是信息在不同时间维度上的传递。
研究团队觉得 ResNet 的加法太朴素了，所以提议用 Attention 来筛选过去每一层的输出。 既然 SGD 也是 ResNet，「Attention is All You Need」，那我们为什么不能在优化器里也加上 Attention？
架构的生命力，往往来自于对惯性的反思。
当我们回过头去审视那些基础架构，或许就能在过去的故纸堆中，发现更多通往未来的巧妙结合。
