Qwen架构改造成Deepseek，再复现R1计划

前言

关注Deepseek也有一年多了，当时Mixtral-8x7B模型刚出来，我写了一篇分析其MoE架构的文章(https://zhuanlan.zhihu.com/p/674751021)。Deepseek不久后推出了他们第一版Deepseek MoE模型，他们的工作人员看到文章加了我的微信；

在做PiSSA(https://arxiv.org/abs/2404.02948)的时候，我就将Deepseek MoE视为主流模型进行了实验对比；

在Deepseek V2出来后，MLA架构巧妙地设计吸引了我。启发我做出CLOVER(https://arxiv.org/abs/2411.17426)这篇文章。MLA中存在一个absorb操作，能将Key Weight吸收到Query Weight中，Value Weight吸收到Output Weight中，缺点是合并后参数量会变大。CLOVER先合并再分解，不改变模型结构就能得到正交的注意力头，对剪枝和微调都有很大的好处；

随着Deepseek V3/R1彻底爆火，我也来添一把火：

TransMLA: Multi-head Latent Attention Is All You Needhuggingface.co/papers/2502.07864

https://github.com/fxmeng/TransMLAgithub.com/fxmeng/TransMLA

1. 本文理论证明了，在同等KV Cache开销下，MLA的表达能力始终大于GQA的能力，并通过实验验证这一优势。
2. 本文提出一种TransMLA的方法，能将目前主流模型如LLaMA-3，Qwen-2.5等模型中的GQA统统等价变换为能力更强的MLA。
3. 本文将会使用改造后的模型复现R1的能力。此外还会探索MoE，MTP结构，混合精度量化训练，训练推理加速等技术，希望能推动基于GQA模型向MLA模型的过渡，帮助初学者了解Deepseek使用的技术，以及给大模型厂商提供一个低成本迁移模型架构的方案。

TransMLA方法

本节首先提出以下定理：

定理1：当KV Cache大小相同时，MLA的表达能力大于GQA。

证明： 通过接下来的1）2）3）节，我们论证了任何GQA都可以等价转换为具有相同KV Cache大小的MLA形式。在第4）节中，存在MLA无法通过GQA表示的情况。从而完成定理1的证明。

1）GQA形式，复制Key-Value

上图展示了分组注意力（GQA）的典型结构。在GQA中，Query 被拆分成 个头，每个头的维度为 。为了减少Key和Value的数量，Key 被定义为具有 个头（其中 $n_k<n_q$ ），每个头的维度为="" $d_h$="" 。<="" p="">

设 为长度为 ，隐藏维度为 的输入序列， 为Key的投影矩阵。那么， ．

由于标准的多头注意力要求 和 （以及 ）具有相同数量的头，因此必须将 从 个头扩展到 个头。定义复制因子 。将 沿其列划分为 个块，每个块对应一个头： ，其中每个块 。通过将每个 复制 次并拼接，得到扩展后的矩阵 ：

2）MHA形式，将复制操作移到参数侧

上图展示了一种使用多头注意力（MHA）替代GQA的方法，在计算K之前，可以先复制投影矩阵 。首先，将 沿其列划分为 部分，其中每个 对应Key中的一个原始的注意力头： 。然后，将每个 复制 次，并按顺序拼接它们，形成新的投影矩阵 ： 次， 次。将 应用于 ，直接得到 ．这种方法在数学上等价于先计算 ，然后复制其头（GQA）。

3）MLA形式，低秩分解参数矩阵

上图展示了 ，它是通过复制 形成的，最多有 个自由度。因此，它的秩最多为 。为了更正式地理解这一点，使用奇异值分解（SVD）对 进行分解：

，其中 和 是 的正交矩阵， 是 的对角矩阵，包含奇异值。只有前 （或更少）的奇异值可能是非零的。因此，可以截断SVD，只保留前 个奇异值，其中 ．定义.那么 且 .

同样的方法也可以直接迁移到Value的变换上，这里不再展开讨论。其中在缓存Key和Value矩阵时，只需要存储低秩表示 和 。在实际的注意力计算中，可以通过与 和 相乘来＂扩展＂表示，从而恢复全维度并增强表达能力。

4）存在MLA无法被GQA表示的情况

考虑一种情况，其中 中的向量是正交的。在这种情况下，乘以 与 后，每个通道的输出在通道间保持不同。然而，在GQA中，每组内的头是复制的，这意味着组内所有头的输出是相同的。这种结构差异意味着某些MLA的情况无法被GQA表示，因为MLA允许在各个通道之间有更大的输出多样性。

基于上述分析，我们证明了定理1。通过将GQA转化为等效的MLA表示，我们可以增强模型的表达能力。接下来的章节将展示实验结果，以验证这一结论。

实验效果

我们以Qwen 2.5 为例，展示如何将一个基于GQA的模型转换为MLA模型，并对比转换前后的模型在下游任务中的训练效果。Qwen2．5－7B模型的每一层包含 28 个Query头和 4 个Key／Value头，每个头的维度为 Cache的维度为 1024 。Qwen 模型的每一层包含 40 个Query头和 8 个 Key／Value头，每个头的维度为 128 ，KV Cache的维度为2048。在将Qwen2．5－7B模型转换为MLA模型后， 和 的输出维度都被调整为 Cache的维度依然保持为1024。与GQA模型的设置不同，在TransMLA中， 和 将512维的特征升维至 维。由于 28 个 Query头可以分别与 28 个Query进行交互，形成不同的功能表示，这种调整显著增强了模型的表达能力。通过这种方式，TransMLA能够提升GQA模型的表达能力，同时不增加KV Cache的数量。值得注意的是，新增的参数量非常小。具体来说，针对Q－K对，增加了一个 的矩阵，而原始矩阵的维度为 ，因此新增参数量仅占原始矩阵的 。对于 O对，新增的参数量同样是原来参数量的 。整体来看，模型的参数量从原来的 7.6 B 略增至 7.7 B ，增加幅度非常小。

为了评估转换后的MLA模型性能的提升，我们将原始基于GQA的Qwen模型与转换后的TransMLA模型分别在一个新的指令微调数据集SmolTalk上进行训练。SmolTalk数据集包含丰富的指令微调数据，同时也涵盖了MetaMathQA等数学任务数据和Self-OSS-Starcoder2-Instruct等代码任务数据。训练过程中，我们使用了torchtune框架，设定batchsize为16，学习率为2e-5，并训练了2个epoch。在训练过程中，为了尽量减少对原始模型的影响，我们仅对模型中Key-Value层进行训练。对于GQA模型，只训练 和 ；而对于转化后的MLA模型，我们训练 和 四个权重矩阵。训练过程中的Loss以及训练后模型的效果都展示在下图中。

从图中可以看出，经过转换的MLA模型在训练过程中表现出更低的Loss值，表明其对训练数据的拟合能力更强。在7B和14B模型的设置下，TransMLA模型在数学和代码任务上的准确率显著高于原始的基于GQA的模型。这表明，TransMLA不仅提升了模型的表达能力，还在特定任务上带来了显著的性能改进。

这种性能提升不仅仅归功于增大了Key-Value中的可训练参数，正交化分解方式的使用也在其中发挥了至关重要的作用。为了进一步验证这一点，我们进行了对比实验。在这个实验中，我们没有采用正交化分解方式，而是通过Identity Map初始化升维模块来实现TransMLA。训练后得到的模型在GSM8K数据集上的准确率为82.11%，比基于GQA的模型（81.96%）高出仅0.15%。这一结果表明，仅仅增加可训练的参数并不能解释TransMLA性能的显著提升，正交化分解方式在提升模型效果方面发挥了关键作用。目前，更多的实验正在进行中，希望深入探究这一现象背后的原因，进一步验证正交化分解对模型性能的贡献。

后记

本文证明了GQA模型都能转化为MLA形式，给了大模型厂商一个放弃GQA，拥抱MLA的理由，以及快速过渡的方法。然而收到原始模型结构的限制，TransMLA的结构并不是最优的，如没有对Query进行压缩，没有使用Decoupled RoPE，以及Key和Value使用了独立的latent Vectors。若要从头训练模型，仍然建议在Deepseek V3的结构上进行创新。TransMLA能够提升目前R1蒸馏Qwen，蒸馏LLaMA项目的效果。未来我们将会进行这一工作，并开源训练代码和模型。

公众号后台回复“数据集”获取100+深度学习各方向资源整理