LLM近期重大架構(gòu)進(jìn)化一覽：從Gemma 4到DeepSeek V4

機(jī)器之心編輯部

過去一段時(shí)間，很多人對大模型都有一個(gè)明顯感受：token 總是不夠用

畢竟用戶想大模型更「聰明」更連貫，上下文窗口只會(huì)越來越大。

而在模型背后，長上下文是相當(dāng)「奢侈」的。用戶 token 消耗翻倍，其實(shí)是模型更大的 KV cache 和更高的 attention 計(jì)算成本。

尤其是在推理模型和 Agent 逐漸成為主流后，長上下文已經(jīng)從一個(gè)「宣傳亮點(diǎn)」，逐漸轉(zhuǎn)變?yōu)榇竽Ｐ图軜?gòu)設(shè)計(jì)需要正面解決的問題。

Sebastian 精準(zhǔn)地捕捉到，最近幾個(gè)月發(fā)布的一批 LLM，正好體現(xiàn)了這個(gè)趨勢。

從 Google 的 Gemma 4，到 Poolside 的 Laguna XS.2、Zyphra 的 ZAYA1-8B，再到 DeepSeek V4，這些模型在 Transformer 內(nèi)部做了各種「省錢設(shè)計(jì)」，試圖圍繞長上下文推理降低計(jì)算和存儲(chǔ)成本

Sebastian 為此發(fā)布了技術(shù)博客，以下為博客鏈接與全文翻譯。

近期 LLM 一覽。

• 博客標(biāo)題：LLM 架構(gòu)的最新發(fā)展：KV 共享、mHC 與壓縮注意力
• 博客鏈接：https://magazine.sebastianraschka.com/p/recent-developments-in-llm-architectures

Gemma 4：

通過跨層復(fù)用 KV Tensor 縮小 KV Cache

時(shí)間回到四月初，Google 發(fā)布了全新的開源權(quán)重模型系列 Gemma 4。整個(gè)系列大致可以分為三類：

• 面向移動(dòng)端與小型本地（嵌入式）設(shè)備（即 IoT）的 Gemma 4 E2B 與 E4B；
• 面向高效本地推理、采用混合專家架構(gòu)（MoE）的 Gemma 4 26B；
• 以及采用 Dense 架構(gòu)、追求更高模型質(zhì)量與更便捷后訓(xùn)練流程的 Gemma 4 31B（因?yàn)?MoE 模型通常更難進(jìn)行后訓(xùn)練和調(diào)優(yōu)）。

Gemma 4 架構(gòu)示意圖

Gemma 4 E2B 與 E4B 的第一個(gè)小型架構(gòu)改動(dòng)，是采用了「共享 KV Cache」機(jī)制：后續(xù)層會(huì)復(fù)用前面層已經(jīng)計(jì)算出的 Key-Value 狀態(tài)，從而降低長上下文場景下的顯存占用與計(jì)算成本。

這種方法并不是 Gemma 4 首創(chuàng)。例如 NeurIPS 2024 的論文《Reducing Transformer Key-Value Cache Size with Cross-Layer Attention》已經(jīng)提出類似思路。但 Gemma 4 是第一次將其大規(guī)模應(yīng)用于主流開源架構(gòu)中。

為什么 KV Cache 如此重要？

正如我最近幾個(gè)月不斷提到的，當(dāng)前 LLM 架構(gòu)設(shè)計(jì)中的一個(gè)核心主題，就是「縮小 KV Cache」。而縮小 KV Cache 的根本目的，是降低模型運(yùn)行所需的顯存占用，從而支持更長的上下文窗口。這一點(diǎn)在推理模型和 Agent 時(shí)代尤其重要。

舉一個(gè)經(jīng)典的例子（Gemma 4 目前依然在使用）：Grouped Query Attention（GQA）本身就已經(jīng)通過讓多個(gè) Query Head 共享同一組 Key-Value（KV）Head，來減少 KV Cache 的大小，如下圖所示。

Gemma 4 的跨層 KV 共享機(jī)制

如前所述，Gemma 4 使用了 GQA。不過，除了 GQA 中不同 Query Head 之間的 KV 共享之外，Gemma 4 還進(jìn)一步在不同 Transformer Layer 之間共享 KV Projection，而不是像傳統(tǒng)做法那樣，在每一層 Attention 模塊中分別計(jì)算自己的 KV

這種 KV 共享機(jī)制也被稱為 Cross-Layer Attention，其結(jié)構(gòu)如下圖所示。

正如架構(gòu)示意圖中所提到的，Gemma 4 E2B 采用了普通 GQA 與 Sliding Window Attention 按照 4:1 的方式組合使用。（更準(zhǔn)確地說，Gemma 4 E2B 實(shí)際使用的是 MQA，也就是 GQA 中只有一個(gè) KV Head 的特殊情況。）

在 GQA（或 MQA）機(jī)制下，KV 共享的方式如下：后續(xù)層不再單獨(dú)計(jì)算自己的 Key 和 Value Projection，而是直接復(fù)用最近一個(gè)、同類型且未共享層所生成的 KV Tensor。

換句話說：Sliding Window Attention 層會(huì)復(fù)用前面某個(gè) Sliding Window 層的 KV， Full Attention 層則會(huì)復(fù)用前面某個(gè) Full Attention 層的 KV。

當(dāng)然，每一層仍然會(huì)計(jì)算自己的 Query Projection，因此不同層依然可以形成各自不同的 Attention Pattern；但代價(jià)最高、最占顯存的 KV Cache，則會(huì)被多個(gè)層共同復(fù)用。例如：

• Gemma 4 E2B 一共有 35 層 Transformer Layer，但只有前 15 層會(huì)真正計(jì)算自己的 KV Projection；后面的 20 層則直接復(fù)用之前同類型層的 KV Tensor。
• 類似地，Gemma 4 E4B 共 42 層，其中 24 層負(fù)責(zé)計(jì)算 KV，最后 18 層采用共享機(jī)制。

這種設(shè)計(jì)到底能節(jié)省多少資源？

由于大約有一半的 KV 在不同層之間被共享，因此 KV Cache 的整體大小也大致減少了一半。對于最小的 E2B 模型來說，在 128K 長上下文、bfloat16 精度下，可以節(jié)省約2.7GB顯存；而 E4B 在同樣條件下，則大約能夠節(jié)省6GB

Gemma 4 E2B 類似配置中，GQA 與跨層 KV 共享帶來的 KV Cache 顯存節(jié)省效果

當(dāng)然，KV Sharing 的缺點(diǎn)在于，它本質(zhì)上是一種對完整 Attention 計(jì)算的「近似」。更準(zhǔn)確地說，它會(huì)削弱模型容量。

不過，根據(jù) Cross-Layer Attention 論文中的實(shí)驗(yàn)結(jié)果，在被測試的小規(guī)模模型上，這種影響可以非常有限。

Gemma 4 E2B / E4B：

Per-Layer Embeddings（PLE）與「有效參數(shù)量」

Gemma 4 的 E2B 與 E4B 版本還引入了第二種以效率為導(dǎo)向的設(shè)計(jì)：Per-Layer Embeddings（PLE，逐層嵌入）。這一機(jī)制與前面提到的 KV Sharing 是相互獨(dú)立的。

KV Sharing 的目標(biāo)是縮小 KV Cache，而 PLE 關(guān)注的則是參數(shù)效率（parameter efficiency）：它讓小尺寸的 Gemma 4 模型能夠攜帶更多 token-specific information（與 token 相關(guān)的特征信息），但又不會(huì)讓整個(gè) Transformer 主干像同參數(shù)量 Dense 模型那樣昂貴。

例如，Gemma 4 E2B 與 E4B 中的「E」，代表的就是「effective」（有效參數(shù)量） 。具體來說：

• Gemma 4 E2B 標(biāo)注為 2.3B effective parameters，但如果把 embedding 參數(shù)也算進(jìn)去，總參數(shù)量實(shí)際上達(dá)到 5.1B；
• Gemma 4 E4B 的 effective parameters 為 4.5B，而包含 embedding 后則約為 8B。

換句話說，在這些 「E」系列模型中，真正負(fù)責(zé)主要計(jì)算的 Transformer Stack，其計(jì)算規(guī)模更接近前面的較小數(shù)字；而后面的總參數(shù)量，則包含了額外的 embedding table。

從概念上來看，PLE 的結(jié)構(gòu)大致如下：

帶有 PLE residual path 的簡化版 Gemma 4 Block。普通 Transformer Block 會(huì)先完成 Attention 與 Feed-Forward 的 residual update；隨后，生成的 hidden state 會(huì)作為 gating 信號(hào)，控制 layer-specific 的 PLE vector，并在 Block 末尾額外加入一次 projected PLE residual update。

PLE Vector 本身是在 Transformer Block 外部提前構(gòu)建的。簡單來說，它有兩個(gè)輸入來源：token ID 經(jīng)過 per-layer embedding lookup； 普通 token embedding 再通過一個(gè) linear projection，映射到同一個(gè) PLE 空間。

隨后，這兩部分結(jié)果會(huì)被相加、縮放，并 reshape 成一個(gè) tensor，其中每一層都對應(yīng)一個(gè)獨(dú)立 slice，而每個(gè) Transformer Block 只會(huì)接收屬于自己的那一份。

簡化版 PLE（Per-Layer Embeddings）構(gòu)建流程

這里有一個(gè)很重要的細(xì)節(jié)：PLE 并不是給每個(gè) Transformer Block 單獨(dú)復(fù)制一整套 embedding layer。相反，per-layer embedding lookup 只會(huì)計(jì)算一次，然后再給每一層分發(fā)一個(gè)較小的 token-specific embedding slice。

因此，對于每個(gè)輸入 token，Gemma 4 會(huì)提前準(zhǔn)備一個(gè) packed PLE tensor，其中包含每一層 decoder 對應(yīng)的一小段 embedding vector。

真正進(jìn)入 Transformer Block 后，Attention 與 Feed-Forward 分支仍然按正常方式運(yùn)行。在完成 Feed-Forward residual update 后，當(dāng)前 hidden state（圖中記作 z）會(huì)用于 gate layer-specific PLE vector。被 gate 后的 PLE vector 會(huì)重新投影回 model hidden size、做 normalization，并作為額外 residual update 加回模型中。

一個(gè)比較直觀的理解方式是 Transformer Block 的主體結(jié)構(gòu)并沒有改變，Gemma 4 只是額外在 Feed-Forward 分支后面，插入了一小段「層特定 token 向量」。這樣做能夠通過 embedding 參數(shù)與小規(guī)模 projection，提升模型的表達(dá)能力，同時(shí)避免把整個(gè) Transformer Stack 都擴(kuò)展到更大的參數(shù)規(guī)模。

為什么要用 PLE？

一種更直接的方法，其實(shí)是簡單縮小 Dense 模型，比如減少層數(shù)、縮小 hidden state 或縮小 Feed-Forward Network。

這樣當(dāng)然能降低顯存與延遲，但也會(huì)直接削弱模型真正負(fù)責(zé)計(jì)算的核心部分。

而 PLE 的思路則是：讓昂貴的 Transformer Block 保持在較小的 「effective size」，同時(shí)把額外容量存儲(chǔ)在 per-layer embedding table 中。由于 embedding 本質(zhì)上主要是 lookup-style parameter，它們遠(yuǎn)比增加 Attention 或 FFN 權(quán)重更便宜，也更容易緩存。

當(dāng)然，目前我們還只能相信 Google 的實(shí)驗(yàn)結(jié)果，認(rèn)為這確實(shí)是一個(gè)有效的設(shè)計(jì)。作者也提到，未來如果能看到更多對比實(shí)驗(yàn)，例如：PLE 版 Gemma 4 E2B vs 普通 2.3B Dense 模型 vs 普通 5.1B Dense 模型 。

這樣的對比會(huì)非常有意思。

此外，從理論上講，PLE 并不只適用于小模型。更大的模型同樣可以加入 per-layer embedding slice。但由于大模型本身已經(jīng)具有足夠容量，因此這些額外 embedding 的收益可能不再明顯。而且在大模型中，我們通常已經(jīng)通過 MoE 等結(jié)構(gòu)，在不顯著增加計(jì)算量的前提下提升模型容量。

Laguna XS.2：

Layer-wise Attention Budgeting

Laguna 是歐洲公司 Poolside 推出的首個(gè) open-weight 模型，Poolside 主要專注于面向代碼場景的 LLM 訓(xùn)練。

不同 Layer 使用不同 Attention Budget。

下圖中的 Laguna XS.2 架構(gòu)乍一看其實(shí)相當(dāng)標(biāo)準(zhǔn)。不過，有一個(gè)我沒有畫進(jìn)去（或者說沒法硬塞進(jìn)圖里）的細(xì)節(jié)，是一個(gè)可以稱為 「Layer-wise attention budgeting」 的概念。

Poolside 的 Laguna XS.2 架構(gòu)示意圖。

這里所謂 attention budgeting 的核心思路之一，是不再讓每個(gè) Transformer Layer 都擁有完全相同的 Attention 預(yù)算，而是根據(jù)層的不同，動(dòng)態(tài)分配不同的 Attention 成本

Laguna XS.2 總共有 40 層，其中 30 層使用 Sliding-Window Attention，10 層使用 Global / Full Attention。

和常見做法一樣，Sliding-Window Layer 只會(huì)關(guān)注局部窗口（這里是 512 個(gè) token），因此 KV Cache 與 Attention 計(jì)算成本都更低；而 Global Layer 雖然更昂貴，但能夠保留對整個(gè)上下文窗口中所有信息的訪問能力。

這種 Sliding-Window Attention 與 Global / Full Attention 混合使用的結(jié)構(gòu)，并不是 Laguna XS.2 獨(dú)有的，很多其他模型（包括 Gemma 4）也采用了類似設(shè)計(jì)。

但真正新的地方在于：Laguna XS.2 引入了「逐層不同 Query Head 數(shù)量」的設(shè)計(jì)。

例如，在 Hugging Face 的 config.json 中，可以看到一個(gè)名為 num_attention_heads_per_layer 的配置項(xiàng)，這意味著不同 Layer 可以擁有不同數(shù)量的 Query Head，同時(shí)仍然保持 KV Cache 結(jié)構(gòu)兼容。

Laguna 中的逐層 Query-Head Budgeting。其中 Full Attention Layer 每個(gè) KV Head 對應(yīng) 6 個(gè) Query Head； Sliding Window Attention Layer 每個(gè) KV Head 對應(yīng) 8 個(gè) Query Head。

因此，Laguna XS.2 的實(shí)際做法是：給 Sliding-Window Layer 分配更多 Query Head，給 Global Layer 分配更少 Query Head，同時(shí)將 KV Head 數(shù)固定為 8

這才是真正意義上的 「Layer-wise Head Budgeting」。

Laguna XS.2 是近期 open model 中最具代表性的逐層 Query-Head Budgeting 實(shí)踐之一。不過，更廣義上的「按層動(dòng)態(tài)分配模型容量」這一思路，其實(shí)至少可以追溯到 Apple 在 2024 年提出的 OpenELM。

為什么這樣設(shè)計(jì)？

和 KV Sharing 類似，它的核心目標(biāo)依然是：把 Attention Capacity 花在最值得的地方，而不是讓所有 Layer 平均分配相同預(yù)算

具體來說，F(xiàn)ull Attention Layer 因?yàn)樾枰L問整個(gè)上下文窗口，本身計(jì)算代價(jià)就更高，因此 Laguna 會(huì)相對減少它們的 Query Head 數(shù)量；而計(jì)算成本更低的 Sliding-Window Layer，則可以擁有更多 Query Head。

（此外，還有一個(gè)較小的實(shí)現(xiàn)細(xì)節(jié)：Laguna 還采用了 per-head attention-output gating，這一點(diǎn)與 Qwen3-Next 等模型有些類似。不過由于我之前已經(jīng)討論過類似機(jī)制，因此這里不再展開。）

ZAYA1-8B：壓縮卷積注意力（CCA）

和 Laguna 類似，ZAYA1-8B 也是一位新玩家。它由 Zyphra 開發(fā)，而這次發(fā)布中一個(gè)很有意思的細(xì)節(jié)是：該模型并不是基于更常見的 NVIDIA GPU（或 Google TPU）訓(xùn)練，而是使用 AMD GPU 完成訓(xùn)練的。

不過，真正關(guān)鍵的架構(gòu)設(shè)計(jì)，是一種名為Compressed Convolutional Attention（CCA，壓縮卷積注意力）的機(jī)制，并且它與 Grouped-Query Attention（GQA）共同使用。

與 MLA（Multi-head Latent Attention）這類主要把 latent representation 當(dāng)作緊湊 KV Cache 格式的設(shè)計(jì)不同，CCA 會(huì)直接在壓縮后的 latent space 中完成 Attention 計(jì)算。不過這一點(diǎn)我們后面再詳細(xì)展開。

（順帶一提：ZAYA1-8B 的 config.json 中實(shí)際上列出了 80 個(gè)交替出現(xiàn)的 layer entry，而不是傳統(tǒng)意義上的 40 個(gè) Transformer Block。這些 layer 在結(jié)構(gòu)上會(huì)在 CCA/GQA Attention 與 MoE Feed-Forward Layer 之間交替出現(xiàn)。不過在架構(gòu)圖里，把它們簡化理解成 40 個(gè)重復(fù)的 「Attention + MoE」 Pair 會(huì)更直觀，兩種表示在概念上是等價(jià)的。）

采用 Compressed Convolutional Attention 的 ZAYA1（8B）Transformer Block。

正如上圖所示，ZAYA1-8B 采用了 CCA，并結(jié)合了 4:1 的 GQA 結(jié)構(gòu)。這里最關(guān)鍵的一點(diǎn)在于：它的 Attention Block 是圍繞 CCA 構(gòu)建的，而不是傳統(tǒng)的 Sliding-Window Attention。

什么是 Compressed Convolutional Attention（CCA）？

我認(rèn)為，從整體思路上來看，CCA 與 DeepSeek 模型中的 MLA（Multi-head Latent Attention）是相近的，因?yàn)樗鼈兌荚?Attention Block 中引入了壓縮后的 latent representation。不過，兩者使用 latent space 的方式并不相同。

MLA 的核心目標(biāo)，主要是通過 latent representation 來壓縮 KV Cache。在 MLA 中，KV Tensor 會(huì)以壓縮形式存儲(chǔ)，隨后再被投影回 Attention Head 空間，用于真正的 Attention 計(jì)算。

普通 Multi-head Attention（MHA）與 Multi-head Latent Attention（MLA）對比。

而 CCA 則更進(jìn)一步，它不僅壓縮 K、V，還同時(shí)壓縮 Q，并且直接在壓縮后的 latent space 中完成 Attention 運(yùn)算。也正因?yàn)槿绱?，CCA 不僅能夠減少 KV Cache 的大小，還能夠降低 Prefill 階段與訓(xùn)練階段的 Attention FLOPs。

MLA 與 CCA 的結(jié)構(gòu)對比。

正如上圖所示的，在 CCA 中，壓縮后的 latent representation 會(huì)直接進(jìn)入 Attention 機(jī)制，而生成出的 compressed attention vector 隨后再被 up-project 回原始空間。

為什么叫「卷積注意力」？

這里需要特別注意：它被稱為 「Compressed Convolutional Attention」，而不僅僅是「Compressed Attention」，是因?yàn)?strong>在 latent K 與 latent Q 上，還額外加入了 convolutional mixing（卷積混合）

由于結(jié)構(gòu)圖中空間有限，沒有把這一部分畫出來，但它本身其實(shí)并不復(fù)雜。正如 Figure 12 所暗示的，卷積混合是直接作用在壓縮后的 Q Tensor 與 K Tensor 上的。

原因在于壓縮會(huì)讓 Q、K、V 維度變窄，從而降低計(jì)算量與緩存開銷，但與此同時(shí)，也可能削弱 Attention 的表達(dá)能力。

而卷積則是一種相對廉價(jià)的方法，它能夠在 Q 與 K 被用于 Attention Score 計(jì)算之前，為這些壓縮后的表示補(bǔ)充更多局部上下文信息。

（這里的卷積只作用于 Q 與 K，而不作用于 V。因?yàn)?Q 與 K 決定的是 Attention Score，而 V 則代表最終被加權(quán)聚合的內(nèi)容。）

Sequence-Mixing Convolution 的概念示意圖。

除了前文中展示的 Sequence Mixing 外，CCA 還包含一個(gè) Channel Mixing Component。不過它們在原理上較為類似，因此這里不再單獨(dú)展開。

CCA 看起來是 Zyphra 在 ZAYA1-8B Technical Report 發(fā)布之前就已經(jīng)提出的一種 Attention 機(jī)制。獨(dú)立論文《Compressed Convolutional Attention: Efficient Attention in a Compressed Latent Space》最早發(fā)表于 2025 年 10 月，并正式提出了 CCA；而 ZAYA1-8B 則將這一機(jī)制作為核心架構(gòu)組件之一實(shí)際投入使用。

CCA 是否真的比 MLA 更好？

根據(jù) CCA 論文中的實(shí)驗(yàn)結(jié)果，在相同壓縮設(shè)置下，CCA 的表現(xiàn)確實(shí)優(yōu)于 MLA。

CCA 論文中的實(shí)驗(yàn)結(jié)果標(biāo)注圖。

總體來說，這部分真正有意思的地方，其實(shí)是新的 Attention 機(jī)制本身。

當(dāng)然，ZAYA1-8B 同時(shí)也采用了相當(dāng)激進(jìn)（也就是非常稀疏）的 MoE 結(jié)構(gòu)：每個(gè) token 只激活一個(gè) routed expert。不過這一點(diǎn)相對已經(jīng)比較常見。

真正更特殊的是 CCA，它直接在壓縮 latent space 中執(zhí)行 Attention 計(jì)算，并通過對壓縮后的 Q/K 做卷積混合，來緩解壓縮 Attention 本身表達(dá)能力受限的問題。

簡而言之，ZAYA1-8B 不只是想在 Feed-Forward Layer 上節(jié)省計(jì)算量，它甚至試圖從 Attention Mechanism 本身開始降低計(jì)算成本。

DeepSeek V4：mHC 與壓縮注意力

DeepSeek V4 是今年最受關(guān)注的大模型之一。有意思的是，如果按照 active-parameter share（活躍參數(shù)占比）來衡量，DeepSeek V4-Pro 同時(shí)也是參數(shù)最稀疏的 MoE 模型。

關(guān)于 DeepSeek V4，其實(shí)有很多可以討論的內(nèi)容。不過由于它已經(jīng)在新聞與社區(qū)中被廣泛討論，同時(shí)為了繼續(xù)聚焦「架構(gòu)層面的改動(dòng)」，這里我主要關(guān)注兩個(gè)相較以往架構(gòu)真正新的部分：

• 用于擴(kuò)展 Residual Path 的 mHC；
• 用于長上下文 Attention 壓縮與稀疏化的 CSA/HCA。

從下圖中的 DeepSeek V4 架構(gòu)圖來看，整個(gè)結(jié)構(gòu)似乎非常復(fù)雜。不過，一個(gè)比較有效的閱讀方式是將 Residual Path 上的改動(dòng)（mHC），與 Attention Path 上的改動(dòng)（CSA/HCA 與 Compressed Attention Cache）分開理解。

DeepSeek V4-Pro 架構(gòu)概覽。

5.1 mHC：流形約束超連接

我們先從 DeepSeek V4 中的 mHC 組件開始。

這一設(shè)計(jì)最早來自 DeepSeek 團(tuán)隊(duì)在去年（2025 年 12 月 31 日）發(fā)布的一篇研究論文《mHC: Manifold-Constrained Hyper-Connections》。不過，當(dāng)時(shí)論文中的實(shí)驗(yàn)只在一個(gè) 27B 規(guī)模的實(shí)驗(yàn)?zāi)Ｐ蜕贤瓿?。而如今，我們已?jīng)在他們的旗艦?zāi)Ｐ椭锌吹搅诉@一機(jī)制，這也意味著，這一想法很可能已經(jīng)在真實(shí)生產(chǎn)環(huán)境中被驗(yàn)證有效。

mHC 的核心目標(biāo)，是重新設(shè)計(jì) Transformer Block 內(nèi)部的 Residual Connection。這一點(diǎn)其實(shí)非常新鮮，因?yàn)榻陙斫^大多數(shù)架構(gòu)改動(dòng)，通常都集中在Attention Mechanism、Normalization Layer 的放置方式與MoE 結(jié)構(gòu)本身。

mHC 本身建立在更早的 Hyper-Connections 工作之上（見 Zhu 等人 2024 年論文《Hyper-connections》），因此我們需要先簡單理解一下 Hyper-Connections。

傳統(tǒng) Transformer 中，只有一條單獨(dú)的 Residual Stream。而 Hyper-Connections 會(huì)把它替換成：多條并行 Residual Stream，并通過可學(xué)習(xí)映射（learned mappings）在它們之間交換信息。

Hyper-Connections 的核心思想，是「擴(kuò)寬 Residual Stream」。

可以把它理解為模型同時(shí)維護(hù)多條并行 Residual Path，并額外加入一個(gè) Res Mapping 線性變換，在不同 Residual Stream 之間進(jìn)行信息混合

由于 Attention Layer 或 MoE Layer 本身仍然工作在普通 Hidden Size 上，因此 Hyper-Connections 還會(huì)增加：

• Pre Mapping：把多條 Residual Stream 合并成單一 Hidden Vector；
• Post Mapping：再把 Layer 輸出重新分發(fā)回多個(gè) Residual Stream。

普通 Transformer Block（上）與帶 Hyper-Connections 的 Transformer Block（下）。

上圖主要展示了 Attention Branch 中的結(jié)構(gòu)，但同樣的思想也適用于圍繞 MoE Layer 的第二條 Residual Branch。

Hyper-Connections 的目的，是在不真正擴(kuò)大 Attention 或 MoE Layer 本身寬度的情況下，讓 Residual Path 擁有更強(qiáng)表達(dá)能力。

而它帶來的 FLOPs 增長其實(shí)很有限，因?yàn)檫@些額外映射只作用在較小的 residual-stream 維度上（例如 DeepSeek V4 中 n=4），而不是作用在巨大的 hidden dimension 上。

在最初的 Hyper-Connections 論文中，7B OLMo MoE 模型的 FLOPs per token 從 13.36G 增加到 13.38G，幾乎沒有變化；而性能指標(biāo)則獲得了穩(wěn)定但溫和的提升。

當(dāng)然，只看 FLOPs 其實(shí)有些過于簡單。因?yàn)閿U(kuò)寬后的 Residual State 依然需要存儲(chǔ)、在顯存中移動(dòng)并參與混合計(jì)算。 因此，真正的額外開銷更多可能來自Memory Traffic 與 Implementation Complexity，而不僅僅是算術(shù)計(jì)算本身。

不過考慮到 DeepSeek V4 整體都在追求效率，這看起來依然是一個(gè)值得加入的設(shè)計(jì)。

Hyper-Connections 相較 Baseline 的性能表現(xiàn)。

傳統(tǒng) Transformer 只有單一 residual stream。而 Hyper-Connections 將其擴(kuò)展成多個(gè)并行 residual stream。

此外，如圖所示：Hyper-Connections 在大約只使用一半訓(xùn)練 token的情況下，就達(dá)到了 Baseline 的性能水平。

而從普通 Hyper-Connections（HC）到 Manifold-Constrained Hyper-Connections（mHC）最關(guān)鍵的變化，在于這些 Mapping 不再是「無約束」的。

在普通 HC 中，Res Mapping 是一個(gè)可學(xué)習(xí)矩陣，用于混合不同 Residual Stream。但當(dāng)多個(gè)這樣的矩陣不斷堆疊時(shí)，信號(hào)可能會(huì)不可預(yù)測地被放大或縮小。

而在 mHC 中，這個(gè) Residual Mapping 會(huì)被約束到「雙隨機(jī)矩陣（doubly stochastic matrix）」流形上。也就是說：所有元素非負(fù)； 每一行之和為 1； 每一列之和為 1。

這樣一來：Residual Mixing 會(huì)更像是一種穩(wěn)定的信息重新分配（stable redistribution），而不是不可控的信號(hào)放大或衰減。

與此同時(shí) Pre Mapping 與 Post Mapping 也同樣會(huì)被約束為非負(fù)且有界，從而避免在讀取與寫回?cái)U(kuò)寬 Residual State 時(shí)出現(xiàn)信息抵消。

簡而言之，mHC 保留了 HC 更豐富的 Residual Mixing 能力，同時(shí)加入額外約束，使其在更大、更深的模型中能夠更穩(wěn)定地?cái)U(kuò)展。

除此之外，多 Residual Stream 的整體思路并沒有改變，如下圖所示。

采用 HC 與 mHC 的 Transformer Block。

在 mHC 論文中，DeepSeek 團(tuán)隊(duì)基于 27B 模型實(shí)驗(yàn)表明：在使用融合優(yōu)化（fusion）、重計(jì)算（recomputation）與 pipeline scheduling 后，即使在整個(gè) Transformer 中使用 4 條 Residual Stream（n=4），訓(xùn)練時(shí)間額外開銷也僅增加約 6.7%。

總結(jié)來說：HC/mHC 的本質(zhì)，是通過把單一 Residual Stream 替換為多條相互交互的 Residual Stream，重新定義信息在 Transformer Layer 中的傳播方式。mHC 則進(jìn)一步加入穩(wěn)定性約束，同時(shí)只帶來很小的計(jì)算額外開銷

此外，它也與后面將介紹的 CSA/HCA Attention 改動(dòng)形成了很好的配合。

通過 CSA 與 HCA 實(shí)現(xiàn)壓縮 Attention

DeepSeek V4 的另一項(xiàng)核心架構(gòu)升級，發(fā)生在 Attention 部分。其背后的動(dòng)機(jī)依然非常明確：在超長上下文場景下，Attention 的成本不僅來自 Attention Score 本身的計(jì)算，還來自 KV Cache 會(huì)隨著 Sequence Length 持續(xù)增長。

DeepSeek V4 針對這一問題，引入了兩種壓縮 Attention 機(jī)制的混合設(shè)計(jì)：

• Compressed Sparse Attention（CSA）
• Heavily Compressed Attention（HCA）

首先需要注意的是：DeepSeek V4 中的 CSA/HCA，與 DeepSeek V2/V3 中 MLA 風(fēng)格的壓縮并不是同一種思路。

MLA 的壓縮對象主要是「每個(gè) token 對應(yīng)的 KV 表示」，而 CSA/HCA 壓縮的則是「Sequence Dimension 本身」。

也就是說，它們不再為每個(gè)歷史 token 都保留一個(gè)完整（或壓縮）KV Entry，而是把一組 token 匯總成更少的壓縮 KV Entry，因此整個(gè) Cache 本身也變短了。

MLA、CSA 與 HCA 的概念對比。

MLA 會(huì)壓縮每個(gè) token 的 KV Representation，但依然保留「一 token 對應(yīng)一個(gè) latent KV」。而 CSA，尤其是 HCA，則進(jìn)一步減少「Sequence Entry 的數(shù)量」

因此模型會(huì)犧牲部分 token-level 信息，以換取顯著更低的長上下文成本。

當(dāng)然，這種壓縮也存在質(zhì)量上的 Trade-off：如果壓縮過強(qiáng)，模型能力就可能下降。

也正因如此，DeepSeek V4 并沒有只依賴一種壓縮機(jī)制，而是：交替使用 CSA 與 HCA

• CSA 使用較輕的壓縮率，并結(jié)合類似 DSA（DeepSeek Sparse Attention）的 Sparse Selector；
• HCA 則采用更激進(jìn)的壓縮，用于更便宜地覆蓋全局上下文；
• 兩者都保留了一個(gè) Local Sliding-Window Branch，用于處理最近的未壓縮 token。

HCA 是其中更激進(jìn)的版本：它會(huì)把每 128 個(gè) token 壓縮成一個(gè) KV Entry，然后在這些高度壓縮后的 KV 上執(zhí)行 Dense Attention。

換句話說，CSA 保留更多細(xì)節(jié)，但采用 Sparse Selection； HCA 保留更少 Entry，但因此能夠負(fù)擔(dān) Dense Attention

CSA 與 HCA 的對比。

CSA 與 HCA 在某種程度上是互補(bǔ)的，這也是為什么 DeepSeek V4 會(huì)交替使用它們，而不是只采用其中一種。

根據(jù) DeepSeek V4 論文，在 1M Token Context 下，相比采用 MLA 與 DSA 的 DeepSeek V3.2：DeepSeek V4-Pro 的單 token 推理 FLOPs 僅為后者的 27%，KV Cache 大小僅為后者的 10%。

而 DeepSeek V4-Flash 更進(jìn)一步：FLOPs 降至 10%，KV Cache 降至 7%。

DeepSeek V4 相較 DeepSeek V3.2 的 1M Context 效率數(shù)據(jù)。

不過，我并不會(huì)簡單地把 CSA/HCA 定義為「比 MLA 更好」。CSA/HCA 本質(zhì)上是一種更激進(jìn)、更偏向長上下文效率的設(shè)計(jì)，而且它本身也更加復(fù)雜。

遺憾的是，論文中并沒有提供完整的 Ablation Study。不過整體來看，論文確實(shí)展示了非常強(qiáng)的最終結(jié)果，例如：DeepSeek V4-Flash-Base 在多數(shù) Base Benchmark 上超過 DeepSeek V3.2-Base； 同時(shí)擁有很強(qiáng)的 1M-token Retrieval 能力。

但需要注意的是，這些結(jié)果來自整個(gè) DeepSeek V4 完整訓(xùn)練體系，包括：更好的數(shù)據(jù)、基于 Muon 的優(yōu)化、mHC、精度與存儲(chǔ)優(yōu)化以及訓(xùn)練推理系統(tǒng)優(yōu)化；

而不僅僅是 CSA/HCA 本身。就我個(gè)人而言，目前我更傾向于把 CSA/HCA 看作：

一種以效率為核心的長上下文設(shè)計(jì)。它似乎能夠在大型旗艦?zāi)Ｐ椭泻芎玫乇Ａ裟Ｐ唾|(zhì)量，但并不意味著它在所有場景下都絕對優(yōu)于 MLA。

總結(jié)

2026 年的新一代開源 LLM，一個(gè)非常明顯的趨勢是：大家都在嘗試降低長上下文成本，但并不是簡單地通過縮小模型總參數(shù)量來實(shí)現(xiàn)，而是通過大量結(jié)構(gòu)級優(yōu)化。

• Gemma 4：跨層 KV 共享 + PLE
• Laguna：分層 Attention Budget
• ZAYA1：壓縮 latent attention
• DeepSeek V4：mHC + CSA/HCA

Transformer Block 仍然在持續(xù)演化，但這種變化已經(jīng)變得越來越定向化。

相比 GPT-2 時(shí)代幾十行 PyTorch 就能實(shí)現(xiàn)，如今的 Attention Variant，代碼復(fù)雜度可能已經(jīng)增長了 10 倍。

但這些復(fù)雜化的目的并不是增加成本，而是為了實(shí)現(xiàn)真正的超長上下文推理。

但另一方面，理解這些組件本身，以及它們之間如何相互作用，也正在變得越來越困難。

從 GPT-2（2019）到 DeepSeek V4-Pro（2026）的演化過程。

對此，你怎么看？