网易首页 > 网易号 > 正文 申请入驻

大模型为何长出「巨大激活」?清华、北大研究从反向传播找到新线索

0
分享至



大语言模型中有一个反复出现的现象。序列开头的少数 Token,往往吸引大量注意力。即使它们没有多少实际语义,模型仍然会频繁地看向它们。这就是注意力汇聚(Attention Sinks)。

同一个位置还常出现另一件怪事。模型内部计算产生的部分数值会变得非常大,形成巨大激活(Massive Activations)。两种现象常常一起出现,但它们究竟是怎么联系起来的?



已有研究主要从前向计算出发观察模型如何处理输入、形成输出,而在一项被 NeurIPS 2026 接收的工作中,来自清华大学、北京大学的研究团队把目光转向了模型的另一半:反向传播。

他们发现,注意力汇聚也会把训练信号集中到少数 Token 上,形成「梯度汇聚」(Gradient Sinks)。而巨大激活可以通过 RMSNorm 衰减这些局部集中的梯度。

换句话说,看起来异常的大激活,可能承担着梯度调节的作用。



  • 论文题目:Attention Sinks Induce Gradient Sinks: Massive Activations as Gradient Regulators in Transformers
  • 作者:Yihong Chen、Zhouchen Lin、Quanming Yao
  • 论文地址:https://arxiv.org/abs/2603.17771
  • 项目代码:https://github.com/LARS-research/GradientSink

01 被归一化的激活

为什么会被训练得那么大?

要理解研究者的动机,需要先看看现代 Transformer 大模型里的归一化层。在采用 pre-norm 的模型中,一个 Token 的隐藏状态进入注意力或者前馈网络(MLP)子层之前,会先经过 RMSNorm 完成归一化。这意味着如果保持向量方向不变,只把它整体放大,归一化后交给子层的输入几乎不变。



一个疑问也就随之而生:既然前向计算要先归一化,那巨大的激活范数为什么会被训练出来呢?

答案可能藏在归一化的反向传播里。前向计算中被消去的尺度,仍然会影响梯度的反向传递。

02 注意力既是前向的 Value 路由

也是反向的梯度路由

注意力机制的前向计算,是对不同位置的 Value 向量加权求和。反向传播时,同一组注意力权重,也决定了梯度如何分配回这些位置。如果许多后续 Token 都关注同一个位置,它们的梯度也会沿着这些连接传回来。



在因果注意力中,开头的 Token 能被大量后续位置访问。一旦它成为注意力汇聚点,就具备了承接大量反向训练信号的结构条件。当然具体汇聚强度,还取决于这些梯度的方向和相关性。

研究团队在从头训练的模型以及多款开源模型上进行了测量。结果显示,在 RMSNorm 之后的注意力输入处,梯度集中的现象普遍存在。首 Token 的梯度范数远大于其他 Token,通常高出其他早期位置平均值的一到两个数量级。这就是论文观察到的梯度局部集中,称为梯度汇聚(Gradient Sink)。注意力的汇聚点,也是梯度的汇聚点。



进一步往上游拆分 Query、Key、Value 三条路径后,差异更加明显。Key 和 Value 路径在首 Token 处出现突出峰值,其中 Value 路径最为显著;Query 路径则相对平缓。局部梯度集中呈现出明确的路径结构。

03 巨大激活

成为梯度的「减压阀」

梯度汇聚与巨大激活又有什么联系呢?这就需要进一步观察梯度尺度在整个注意力子层中的变化。实验发现,虽然首 Token 的梯度经过注意力子层之后被急剧放大,但是其残差流梯度的尺度却相对稳定,这是因为经过注意力层汇聚的梯度被 RMSNorm 压缩了。

研究团队从理论上分析了 RMSNorm 的梯度传递性质。核心结果指出,在其他条件相同时,输入激活的尺度越大,RMSNorm 对反向梯度的收缩能力越大。更准确地说,RMSNorm 的雅可比矩阵算子范数上界与输入的均方根尺度成反比。这让激活尺度成为一种局部梯度调节手段。

于是,论文提出了这样一条机制链:注意力向少数位置集中,带来 Value 路径上的梯度汇聚,而较大的残差流激活则通过 RMSNorm 衰减传回残差流的分支梯度。在这一视角下,巨大激活可以被理解为模型训练过程中形成的一种自适应调节结构。

04 怎么验证?

给梯度一种额外的调节方式

如果上述解释成立,就会产生一个可以检验的预测:如果模型获得另一条衰减局部梯度的路径,那么即使注意力汇聚仍然存在,模型对巨大激活的依赖也应当减弱。

为此,研究团队提出了V-scale,即在 Value 投影之后、注意力聚合之前,根据 Value 向量的大小进行缩放,对小范数 Value 对应的回传梯度施加更强的衰减。

选择 Value 路径有两个直接原因:这里承载了最显著的梯度峰值,而且注意力汇聚位置的 Value 范数往往较小。这种变换为局部集中的梯度提供了另一条衰减路径。

实验结果符合预测。在 0.3B 模型中,梯度汇聚比值的中位数从约 40.3 降至 5.6。与此同时,首 Token 的残差流激活范数显著下降,即巨大激活被显著缓解而模型仍保留明显的注意力汇聚行为。并且巨大激活缓解主要源于 MLP 输出范数的下降。



不过完整的 V-scale 仍然改变了前向传播的 Value。为了排除前向缩放的影响,研究团队进一步设计了仅改变反向规则的对照。

结果是,仅反向干预的模型也出现了同样的现象分离,首 Token 的残差流和 MLP 输出范数减小,注意力汇聚仍然明显。因此,实验为「巨大激活参与调节局部梯度压力」提供了实验支持。

05 理解模型的异常

也要看训练信号如何流动

这项工作的价值,在于把两个经常被讨论的现象——注意力汇聚和巨大激活——连了起来,并发现了它们在反向传播中的关联,即梯度汇聚。

注意力权重既决定前向的信息聚合,也决定反向的梯度路由。归一化层既改变前向表示的尺度,也影响反向信号的传递。把两者放在一起,才能更完整地理解某些极端激活为何会在训练中形成。

研究由此提供了一个新的思路:当我们发现模型的某些「异常」现象时,或许可以进一步追问它们在模型训练过程中发挥着什么作用。

作者信息


  • 陈奕宏,清华大学电子工程系博士后。具有数学与科学计算研究背景,目前主要研究大语言模型内部机制、训练稳定性与智能体技术,关注通过数学分析和实验理解模型行为并将机制认识用于模型训练与设计。
  • 林宙辰,北京大学智能学院教授,国家杰出青年科学基金获得者,IEEE Fellow、IAPR Fellow,本文共同通讯作者。主要研究领域包括机器学习、计算机视觉与数值优化,长期从事学习模型、优化算法及深度网络设计的理论与方法研究。
  • 姚权铭,清华大学电子工程系副教授、博士生导师,IET Fellow、BCS Fellow,本文共同通讯作者。主要研究可扩展、数据高效的机器学习方法,关注大模型训练动力学与稳定性、少样本与上下文学习,以及数据高效的智能体学习。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
万万没想到!加拿大总理说了句震惊世界的话,参加深圳APEC后说:以深圳为师,引发舆论热议!

万万没想到!加拿大总理说了句震惊世界的话,参加深圳APEC后说:以深圳为师,引发舆论热议!

林杰论事
2026-11-22 03:12:35
沪深北交易所调整融资保证金比例

沪深北交易所调整融资保证金比例

界面新闻
2026-11-22 18:33:55
金价跌势凌厉,多家银行发布紧急提示

金价跌势凌厉,多家银行发布紧急提示

澎湃新闻
2026-11-22 08:47:03
黄仁勋被曝对董事会撒谎长达一年 导致丢掉CEO

黄仁勋被曝对董事会撒谎长达一年 导致丢掉CEO

3DM游戏
2026-11-22 10:42:38
网红“东北雨姐”仍潇洒! 参加山东饭局,喝300多一瓶的汾酒,席间倒酒喝酒动作太豪横,一口闷

网红“东北雨姐”仍潇洒! 参加山东饭局,喝300多一瓶的汾酒,席间倒酒喝酒动作太豪横,一口闷

裕丰娱间说
2026-11-21 14:26:14
被荷兰法院裁定抄袭路虎卫士外观,比亚迪:强烈反对,将提起上诉

被荷兰法院裁定抄袭路虎卫士外观,比亚迪:强烈反对,将提起上诉

观察者网
2026-11-22 13:48:42
漫威为了少交税,竟然在法庭上证明:变种人不是人!

漫威为了少交税,竟然在法庭上证明:变种人不是人!

爆角追踪
2026-11-22 11:46:02
继刘欢之后,66岁郎平也步入后尘,1周至少要做3次治疗,现状忧心

继刘欢之后,66岁郎平也步入后尘,1周至少要做3次治疗,现状忧心

往史过眼云烟
2026-11-21 11:30:59
新一届江西省委领导班子亮相

新一届江西省委领导班子亮相

农民日报
2026-11-22 18:27:58
卖断货的“APEC晚宴同款荔枝冰酒”明天重启预售,老板:178元1瓶不会涨价,每人限购1瓶,预计15至30天内发货

卖断货的“APEC晚宴同款荔枝冰酒”明天重启预售,老板:178元1瓶不会涨价,每人限购1瓶,预计15至30天内发货

极目新闻
2026-11-22 15:13:10
大爆冷!绿军单节输22分遭西部倒一补篮准绝杀 乔治19+8+5

大爆冷!绿军单节输22分遭西部倒一补篮准绝杀 乔治19+8+5

醉卧浮生
2026-11-22 13:36:53
墨西哥总统迷上八段锦!返程航班还在练

墨西哥总统迷上八段锦!返程航班还在练

看看新闻Knews
2026-11-22 00:38:31
8万人狂欢!63岁穆帅2次搏命神换人:皇马2-1豪取9连胜 创4年纪录

8万人狂欢!63岁穆帅2次搏命神换人:皇马2-1豪取9连胜 创4年纪录

风过乡
2026-11-22 06:53:50
泽连斯基:若冲突不尽快结束,乌克兰将需要西方伙伴提供更多巨额资金

泽连斯基:若冲突不尽快结束,乌克兰将需要西方伙伴提供更多巨额资金

阿尔卑斯瞭望
2026-11-21 17:55:36
3-2逆转!恩里克神了:疯狂12连胜,1.2亿锋霸重伤:被担架抬出场

3-2逆转!恩里克神了:疯狂12连胜,1.2亿锋霸重伤:被担架抬出场

足球狗说
2026-11-22 02:18:54
美联储加息,突传大消息!

美联储加息,突传大消息!

魏家东
2026-11-22 14:29:08
特朗普连发30多张APEC会议相关照片,还晒出与普京的合影,称“My Friend”

特朗普连发30多张APEC会议相关照片,还晒出与普京的合影,称“My Friend”

南方都市报
2026-11-22 12:22:47
断供的太多,银行也很头疼。

断供的太多,银行也很头疼。

老陆不老
2026-11-21 20:05:48
顺德大厨参与APEC国宴:当天凌晨3点半,就开始处理200多条石斑鱼,“几百份蒸鱼同时上,要保证同样品相和温度送到宾客面前”

顺德大厨参与APEC国宴:当天凌晨3点半,就开始处理200多条石斑鱼,“几百份蒸鱼同时上,要保证同样品相和温度送到宾客面前”

都市快报橙柿互动
2026-11-22 00:21:20
万斯与特朗普之间的差距有多大?就这么说吧,万斯一旦上台,美国很有可能会迎来翻天覆地的变化

万斯与特朗普之间的差距有多大?就这么说吧,万斯一旦上台,美国很有可能会迎来翻天覆地的变化

千年历史老号
2026-11-20 13:13:36
2026-11-22 18:59:00
机器之心Pro incentive-icons
机器之心Pro
专业的人工智能媒体
14533文章数 142763关注度
往期回顾 全部

科技要闻

Anthropic收涨17.1%,市值一度破2万亿美元

头条要闻

女子花2万存脐带血如今公司注销"断联":我的血还在吗

头条要闻

女子花2万存脐带血如今公司注销"断联":我的血还在吗

体育要闻

约基奇vs申京:最强的策应巨人?

娱乐要闻

官媒发文 官宣赵丽颖新身份,进步很大

财经要闻

最大回撤超37%,黄金崩盘了吗?

汽车要闻

35万级MPV的满配答案 享界V8正式上市售31.98万起

态度原创

家居
艺术
本地
教育
手机

家居要闻

2026建博会(广州) 公装联探展交流活动

艺术要闻

世界十大著名宫殿盘点:中国独占两席

本地新闻

43年起落记忆倒计时,去厦门高崎领绝版登机牌!

教育要闻

曾经“感动中国”的庞众望完成清华大学博士论文答辩,本人发声:将继续潜心钻研,在科研探索的道路上不断前行

手机要闻

星芒OSTA O1 Pro新机确认支持华为自研Wi-Fi 7+芯片级协同技术

无障碍浏览 进入关怀版