MiniMax M2采用“Full Attention”是开倒车？

本文转载自「MiniMax稀宇科技」

为什么M2是Full Attention？ Guixianren，公众号：MiniMax 稀宇科技

作为MiniMax M2预训练的负责人，我收到了很多来自社区的询问：“为什么你们在MiniMax M2上开倒车，采用了 Full Attention 机制？” 在一次又一次的聊天中解释了背后的故事后，我觉得是时候在一篇blog里写下我们的心路历程。

我可以花一整个下午来讨论为什么应该构建应该做 Linear/Sparse Attention。同样，我也可以反过来花一整个下午来讨论为什么不应该去做。但所有这些纸上谈兵又有什么意义呢？回到实际情况里，我们要不要做呢？

先说结论：我们一直在研究它。但在一个现实的工业系统中，Efficient Attention想要打败Full Attention还有些距离。LLM发展到今天，整个链路越来越复杂，服务的场景越来越多，结构设计上需要考虑的点也爆炸式增长；Code/Math场景效果咋样、Agent场景下效果怎么样、多模态是什么表现、Long CoT行不行、RL能不能Scale上去、低精度运算下有没有坑、Interleaved Thinking怎么弄、线上怎么做cache、怎么做Speculative Decoding等等。

简而言之，现实与理论存在着较大差异，要为 Linear/Sparse Attention 正名，就要在满足了条件1到条件n，并解决了问题1到问题n之后。

为什么要做Efficient Attention？

如果你有无限算力，你会选择研究Linear Attention或者Sparse Attention吗？也许有人会说infinite context场景下，Softmax Attention的Attention Score会oversmoothing....但谁知道呢？在目前算力bound的前提下，还没有哪个模型真的把Softmax Attention打到能力上限。因此，从实际应用的角度来看，目前大家做Linear Attention或者Sparse Attention都是奔着省算力去的。

有没有可能奔着省token去呢——达到同样效果，需要的token量更少。如果你相信Scaling Law，想达到这个目的，应该不会选择走Efficient Attention这条路，而是其他途径。

说穿了就是，算力有限，我们需要有一个更省算力的结构，同算力消耗下（training compute and inference compute）有更好的效果。

需要解决的问题

我们希望做一个能被商用的模型，我们必须从用户所关心的问题出发：效果、速度（TPS）和价格。效果是底线，一个效果差的模型，即便免费也毫无价值。那么，怎么做一个效果足够好的Linear/Sparse/Hybrid Attention模型呢？这里最大的问题不是结构设计，而是评测的局限性。速度和价格受推理系统影响，当然优秀的模型自然有优秀的工程师来帮忙优化。

1.观测局限性

“只要你把bench建出来，我自然能找到办法打上去。”

纵观大模型发展的几年，榜单分数提升的速度是惊人的，不管多难的榜，就算榜单刚出来的时候SOTA只有个位数分数，只要入了各家的法眼，总能在几版迭代后刷爆。

怎么建一个全面、真能反应模型能力差异的评测链路？这是一个很难的课题，也是大模型迭代的重中之重。这个问题在模型结构，特别是Attention迭代中，将变得更加严峻。

• Benchmark不够全面

“没有免费的午餐”，把attention的复杂度降下去，付出的代价是什么？

在做MiniMax-Text-01的时候，大家还普遍在看MMLU/BBH/Math/LongBench这类的榜单（现在已经被刷爆了）。以一年多前的视角来看，Ligntning Attention + Full Attention完全能打全Full Attention，毕竟这些榜单上都不差（我们端到端训了个Hybrid架构的小模型来验证）。

难道真有免费午餐？其实不然。这个代价在更大的模型上暴露出来了：复杂多跳推理任务有明显缺陷。

当问题暴露出来就好办了，对代理指标迭代优化！经过几轮迭代，代理指标看起来能打MHA了。但是scale上去后，代理指标和下游实际场景还能match上吗？还有其他的问题吗？谁知道呢，还没实验到这里。

模型越进步，评测越难做。但这是必经之路，加油评测人！

• 观测成本高

针对复杂多跳推理任务，我们能找到训练更早期可以被观测的代理指标，但并不是所有任务在预训练阶段都可以被观测（起码现在还不行）。同时随着任务越来越难，想要到对应指标观测的置信区间，需要付出的算力代价也越来越大，这也导致了实验迭代比较缓慢（算力不够才来研究这玩意，研究这玩意吃算力也不少）。

除了评测榜单，还有模型优化问题，不scale上去，永远不知道会发生什么，很多问题在小规模试验中无法暴露。看过M1论文的朋友应该会发现M1 RL训练过程中有严重的精度问题，不做到这一步确实很难发现这个雷。基于这个现象再回过头去对Lightning Attention做数值收敛性分析，要怎么解决真的很通透了。发现问题，真的比解决问题要难得的多的多。

• 其他变量

训练模型的变量太多太多，不同结构在不同数据分布下的表现大相径庭，不同结构适配的优化器也差异巨大。在数据高速迭代的周期里，用一个月前的数据做实验可能会得完全相反的结论。

我们很难做完备的观测，但在试图找更靠谱的实验策略。

2.Efficient Attention的基建

相比Full Attention，Linear Attention和Sparse Attention的基建要差的多，想要真的拿到收益，要补不少课。

以Linear Attention的基建问题为例：如果对现在已有的线性结构做计算强度分析，会发现不少结构都是访存bound（没错，训练的时候）。如果不能做极致的IO优化，从GPU算力利用来讲是吃亏的。

把视角再转到推理，这里需要解决的问题比训练要多不少了：如何提供一个真正更快更便宜的推理服务？Linear Attention的优势体现在线性计算强度，常数显存占用。那么和Full Attention的计算消耗和显存消耗必然存在一个交点，通常这个交点理论值在几K的大小，对于今天的大模型，这个长度并不长。但是注意，这里是理论值，我们需要解决下面几个问题来逼近这个数值：

• States的低精度存储：当前Linear Attention对精度要求比Full Attention高得多；

• 如何解决Prefix Cache：正常业务命中Cache的概率是很高的；

• 如何优化Linear Attention上的投机解码

幸好，这些问题目前看起来都是可以解决的。

下一步是什么

Scaling这件事依旧是主旋律，Context Length是其中的关键之一，不管是Pretrain还是PostTrain，Context Length增长的趋势越来越明显。当GPU算力的增速慢于Data长度增长带来的算力压力增加的时候，Linear/Sparse Attention的收益会被逐渐释放。我们需要提前准备些东西：

• 更多模态、信息更加丰富的长文数据

• 更合理的评测体系和实验范式，帮助更快的迭代

• 更完善的训推基建，榨干GPU的潜力

开源推理代码swa的实现忘记删掉了，看到有人问为什么最后没有用。这里也简单回复下：当然是效果不行。

这个地方实验的比较早，当时GPT-OSS还没有开源，看到GPT-OSS结构长这样还挺吃惊的。这里可以简单讲讲我们的一些失败经验。我们是CPT范式变成Hybrid SWA的思路，这里考虑了做层间混合和层内混合两种，做层内混合的出发点是这样层间的计算强度是均衡的，不管是训练做PP策略，还是推理的时候做PP或者AFD分离都更友好。

当然都没work，具体表现为Context越长性能下降越显著，这在Agent场景是不太能接受的。

在我们的分析里，这里有很多Global Attention Pattern（如retrieval head和induction head）在前期预训练阶段已经形成，通过CPT很难调整这些Attention Pattern。如果构建数据探针去检索对应的head并将其保留为Full Attention能极大的缓解对应问题，但是不幸的是，根据人类先验很难把这些Pattern全部探出来。

另外，这个问题和Attention sink没有关系。

如果大家对这种思路感兴趣的话，GPT-OSS、CWM、Gemma的性能大家可以分析下，特别是长文。