刘孟玄 Blog

Transformer 前馈网络：从 FFN 到 SwiGLU

从逐 token 加工、激活函数到 4 倍与 8/3 倍中间维度

Transformer Block 中，Attention 先汇聚上下文信息，FFN 再对每个位置的表示进行非线性加工。理解 FFN，可以从最基本的“展开—激活—压缩”结构出发，再看激活函数如何演进为 SwiGLU 的门控结构，最后用参数量解释中间维度的选择。 1. FFN 在 Transformer 中的作用 Attention 让 token 之间交换信息，FFN 则对汇聚后的特征进...

Posted by Liu Mengxuan on September 19, 2026

FlashAttention：从 Safe Softmax 到分块计算

用在线归一化把 Attention 的中间结果留在片上

FlashAttention 的名字很容易让人以为它提出了一个新的 Attention 公式。实际上，它并没有改变 Attention 的数学结果：给定相同的 Q、K、V，输出仍然是普通的精确 Attention。它真正改变的是计算过程：不把完整的 N×N 注意力分数矩阵和概率矩阵写回 HBM，而是把 Q、K、V 切成 tile，在 GPU 片上的 SRAM 和 registers 中完...

Posted by Liu Mengxuan on September 8, 2026

KV Cache 优化（四）：Speculative Decoding 投机解码

不改变大模型答案分布，怎样一次推进多个 token？

前面三篇都在缩小或筛选 KV Cache。这一篇优化的是 Decode 的串行性这一瓶颈。普通自回归生成一次只产生一个 token： 1 xₜ → xₜ₊₁ → xₜ₊₂ → xₜ₊₃ 每一步都要调用一次大模型，而大模型单 token Decode 的计算规模很小，却要读取大量权重和 KV Cache。Speculative Decoding（投机解码）采用“先猜、后验”的办法： ...

Posted by Liu Mengxuan on September 7, 2026

KV Cache 优化（三）：局部注意力、StreamingLLM 与 KV Pruning

当上下文太长，哪些历史 token 值得继续保留？

前两篇分别减少了 KV head 的数量，或把每个 token 的 K/V 压缩成 latent。它们解决的是“每个 token 存得太宽”。这一篇换一个问题：如果上下文已经长到几十万 token，是否真的需要保留每一个历史 token？ Sliding Window Attention、StreamingLLM 和 Pruning KV Cache 都在减少历史状态，但方式不...

Posted by Liu Mengxuan on September 7, 2026

KV Cache 优化（二）：深入理解 Multi-head Latent Attention

DeepSeek 如何用低秩潜在表示压缩每个 token 的 K/V

MQA 和 GQA 通过共享 K/V heads 减少 KV Cache。DeepSeek-V2 提出的 Multi-head Latent Attention（MLA）换了一个角度：不直接缓存展开后的多头 K/V，而是先把它们压缩成一个低维潜在向量，只缓存这个更短的表示。当后续 Query 需要读取历史信息时，再通过上投影恢复所需的 K/V；在经过代数变换的高效实现中，部分...

Posted by Liu Mengxuan on September 7, 2026

KV Cache 优化（一）：从 MHA 到 MQA 与 GQA

少存几组 K/V，为什么就能明显改善 Decode？

标准 KV Cache 避免了自回归生成时对历史 token 的重复计算，但它也带来了新的问题：上下文越长、并发请求越多，缓存就越大。对于每一层、每一个 token，模型都需要保存一组历史 Key 和 Value： $M_{KV}=2LBTN_{KV}D_h\times\text{bytes}$ 这里的 2 表示 K 和 V，L 是层数，B 是并发序列数，T 是上下文长度，N_KV ...

Posted by Liu Mengxuan on September 7, 2026

KV Cache：Transformer 推理中的增量计算

从 Prefill、Decode 到 K/V 的追加与显存带宽

大语言模型生成文本时，并不是每次都把已经处理过的整段文本重新计算一遍。它会把历史 token 在每一层产生的 Key 和 Value 保存下来，下一次生成时直接复用。这块保存下来的状态就是 KV Cache。 KV Cache 的核心可以先浓缩成一句话： Prefill 一次处理完整 Prompt 并建立缓存；Decode 每次只处理一个新 token，用它的 Query 查询历史...

Posted by Liu Mengxuan on September 7, 2026

Transformer 全貌与基础数据流

从 Encoder-Decoder、Pre/Post-Norm 到 Prefill 与 Decode

理解 Transformer，不能只记住 Attention 的公式。对 AI Infra 来说，更重要的是知道一段输入怎样依次经过 Embedding、Attention、FFN、残差和归一化，每一步产生什么形状，以及这些计算为什么会对应到 GEMM、Kernel 融合、KV Cache 和并行策略。本文从原始 Transformer 的 Encoder-Decoder 结构出发，重点...

Posted by Liu Mengxuan on September 5, 2026

Transformer 架构快速入门

从 Self-Attention、多头机制与 RoPE 到 Decoder Block

学习 Transformer 时，我最开始能记住 Attention 的公式，却说不清公式里的每个张量究竟来自哪里，也不清楚“多头”为什么在代码里经常只是一次大矩阵乘法。继续往下看 RoPE 和 Decoder Block 后，新的问题又出现了：一个 token 为什么要旋转多组特征？相对位置到底发生在哪两个对象之间？多个 head 拼接以后为什么还要经过输出投影？后来我发现，这些问题其...

Posted by Liu Mengxuan on September 3, 2026

数值计算与混合精度

从浮点数、Loss Scaling 到 Kernel 融合

神经网络里的公式通常是在实数上推导的，但 GPU 实际操作的是有限精度的浮点数。于是，同一个公式在纸面上是正确的，放进 FP16、BF16 或 FP8 的计算流程后，却可能遇到舍入误差、溢出、下溢和 NaN。混合精度训练要解决的不是“低精度一定不准确”这个简单问题，而是要把不同工作分给合适的数值格式：大规模矩阵乘法用低精度换取吞吐，累加、归约和优化器更新在关键位置保留更高精度。 1 2...

Posted by Liu Mengxuan on August 28, 2026

刘孟玄 Blog

Transformer 前馈网络：从 FFN 到 SwiGLU

从逐 token 加工、激活函数到 4 倍与 8/3 倍中间维度

FlashAttention：从 Safe Softmax 到分块计算

用在线归一化把 Attention 的中间结果留在片上

KV Cache 优化（四）：Speculative Decoding 投机解码

不改变大模型答案分布，怎样一次推进多个 token？

KV Cache 优化（三）：局部注意力、StreamingLLM 与 KV Pruning

当上下文太长，哪些历史 token 值得继续保留？

KV Cache 优化（二）：深入理解 Multi-head Latent Attention

DeepSeek 如何用低秩潜在表示压缩每个 token 的 K/V

KV Cache 优化（一）：从 MHA 到 MQA 与 GQA

少存几组 K/V，为什么就能明显改善 Decode？

KV Cache：Transformer 推理中的增量计算

从 Prefill、Decode 到 K/V 的追加与显存带宽

Transformer 全貌与基础数据流

从 Encoder-Decoder、Pre/Post-Norm 到 Prefill 与 Decode

Transformer 架构快速入门

从 Self-Attention、多头机制与 RoPE 到 Decoder Block

数值计算与混合精度

从浮点数、Loss Scaling 到 Kernel 融合

FEATURED TAGS

ABOUT ME

FRIENDS