{"id":372292,"date":"2024-05-21T05:08:44","date_gmt":"2024-05-21T05:08:44","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=372292"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=372292","title":{"rendered":"<span>Attention is Not All You Need: \u043a\u0430\u043a \u043c\u0435\u043d\u044f\u043b\u0430\u0441\u044c \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430<\/span>"},"content":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u0421 \u043c\u043e\u043c\u0435\u043d\u0442\u0430 \u0432\u044b\u0445\u043e\u0434\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438 \u043f\u0440\u043e \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440 \u043f\u0440\u043e\u0448\u043b\u043e \u0443\u0436\u0435 \u0431\u043e\u043b\u044c\u0448\u0435 7 \u043b\u0435\u0442, \u0438 \u044d\u0442\u0430 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043f\u0435\u0440\u0435\u0432\u0435\u0440\u043d\u0443\u043b\u0430 \u0432\u0435\u0441\u044c DL: \u043d\u0430\u0447\u0430\u0432 \u0441 NLP \u043e\u043d\u0430 \u0442\u0435\u043f\u0435\u0440\u044c \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f \u0432\u0435\u0437\u0434\u0435, \u0432\u043a\u043b\u044e\u0447\u0430\u044f \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044e \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a. \u041d\u043e \u0442\u0430 \u043b\u0438 \u044d\u0442\u043e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0438\u043b\u0438 \u0443\u0436\u0435 \u043d\u0435\u0442? \u0412 \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u044f \u0445\u043e\u0442\u0435\u043b \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043a\u0440\u0430\u0442\u043a\u0438\u0439 \u043e\u0431\u0437\u043e\u0440 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u0445 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u0432 \u0442\u0435\u043a\u0443\u0449\u0438\u0445 \u0432\u0435\u0440\u0441\u0438\u044f\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 Mistral, Llama \u0438 \u0438\u043c \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u043c.<\/p>\n<h3>Positional Embeddings (PE)<\/h3>\n<ul>\n<li>\n<p><em>\u0411\u0430\u0437\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434<\/em> \u2014 \u043a \u0432\u0435\u043a\u0442\u043e\u0440\u0443 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043d\u0430 \u0432\u0445\u043e\u0434\u0435 \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0432\u0435\u043a\u0442\u043e\u0440 \u0430\u0431\u0441\u043e\u043b\u044e\u0442\u043d\u043e\u0439 \u043f\u043e\u0437\u0438\u0446\u0438\u0438, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u043c, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043a\u0430\u043a\u043e\u0439-\u0442\u043e \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043e\u0442 \u043f\u043e\u0437\u0438\u0446\u0438\u0438<\/p>\n<\/li>\n<li>\n<p><em>Relative PE<\/em> \u2014 \u0431\u0443\u0434\u0435\u043c \u043d\u0430 \u0441\u0442\u0430\u0434\u0438\u0438 attention, \u043a\u043e\u0433\u0434\u0430 \u0441\u0447\u0438\u0442\u0430\u0435\u043c <code>&lt;q_i*k_j><\/code> \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0442\u044c \u0442\u0443\u0434\u0430 \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433 \u0440\u0430\u0437\u043d\u043e\u0441\u0442\u0438 <code>i-j<\/code>. \u041f\u043b\u044e\u0441 \u0442\u0430\u043a\u043e\u0433\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u2014 \u043b\u0435\u0433\u043a\u043e \u043e\u0431\u043e\u0431\u0449\u0438\u0442\u044c \u043d\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043d\u043e\u0432\u043e\u0439 \u0434\u043b\u0438\u043d\u044b, \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043d\u0435 \u0431\u044b\u043b\u043e \u043d\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2104.09864\" rel=\"noopener noreferrer nofollow\"><em>RoPE <\/em><\/a>\u2014 \u0441\u0430\u043c\u044b\u0439 \u0442\u0440\u0435\u043d\u0434\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0441\u0435\u0439\u0447\u0430\u0441. \u041d\u0430 \u0441\u0442\u0430\u0434\u0438\u0438 attention \u0431\u0443\u0434\u0435\u043c \u043f\u043e\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0442\u044c \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>q<\/code> \u0438 <code>k<\/code> \u0432 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0442 \u043f\u043e\u0437\u0438\u0446\u0438\u0438 \u0442\u043e\u043a\u0435\u043d\u0430. \u0423\u0441\u043b\u043e\u0432\u043d\u043e, \u0435\u0441\u043b\u0438 \u043f\u043e\u0437\u0438\u0446\u0438\u044f <code>t<\/code> \u0442\u043e \u043f\u043e\u0432\u0435\u0440\u043d\u0435\u043c \u043d\u0430 \u0443\u0433\u043e\u043b <code>t*alpha<\/code>. \u0412 \u0447\u0435\u043c \u043f\u0440\u0438\u043a\u043e\u043b \u2014 \u043f\u043e\u0437\u0438\u0446\u0438\u044f \u043a\u043e\u0434\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u043f\u043e\u0432\u043e\u0440\u043e\u0442\u043e\u043c, \u043c\u0435\u043d\u044c\u0448\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 \u0447\u0435\u043c \u0441 Relative PE, \u043f\u0440\u0438 \u044d\u0442\u043e\u043c relative \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044f \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u0442\u0441\u044f: \u0435\u0441\u043b\u0438 \u043c\u044b \u0434\u043e\u0431\u0430\u0432\u0438\u043c \u0442\u0435\u043a\u0441\u0442 \u043f\u0435\u0440\u0435\u0434 \u043f\u0430\u0440\u043e\u0439 \u0441\u043b\u043e\u0432, \u043d\u043e \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438 \u0447\u0438\u0441\u043b\u043e \u0441\u043b\u043e\u0432 \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u0438\u0442\u0441\u044f \u2014 \u043c\u044b \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u043e\u0432\u0435\u0440\u043d\u0435\u043c \u043e\u0431\u0430 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u043d\u0430 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0439 \u0443\u0433\u043e\u043b, \u0438 \u0443\u0433\u043e\u043b \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u0441\u044f, \u0430 \u0437\u043d\u0430\u0447\u0438\u0442 \u0441\u043a\u0430\u043b\u044f\u0440\u043d\u043e\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u0438\u0442\u0441\u044f (\u0442\u043e, \u0447\u0442\u043e \u043d\u0430\u043c \u0432\u0430\u0436\u043d\u043e \u0432 attention)! \u041d\u0430 \u0441\u0430\u043c\u043e\u043c \u0434\u0435\u043b\u0435 \u0442\u0430\u043c \u0447\u0443\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u0435\u0435: \u043f\u043e\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0442\u044c \u0431\u0443\u0434\u0435\u043c \u043d\u0435 \u0432\u0435\u0441\u044c \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433 \u0446\u0435\u043b\u0438\u043a\u043e\u043c, \u0430 \u0440\u0430\u0437\u043e\u0431\u044c\u0435\u043c \u0435\u0433\u043e \u043d\u0430 \u043c\u043d\u043e\u0433\u043e \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432 \u043f\u043e 2 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u044b, \u0438 \u043a\u0430\u0436\u0434\u044b\u0439 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u043f\u043e\u0432\u0435\u0440\u043d\u0435\u043c (\u0441\u043c. \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0443). \u0423\u0441\u043a\u043e\u0440\u044f\u0435\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u0442 \u043c\u0435\u0442\u0440\u0438\u043a\u0438, \u043a\u0440\u0430\u0441\u0438\u0432\u0430\u044f \u0438\u0434\u0435\u044f \u2014 \u0447\u0442\u043e \u0435\u0449\u0435 \u043d\u0430\u0434\u043e?<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/5dd\/8eb\/b56\/5dd8ebb560ad0c008fb9cb1b322160e1.png\" width=\"875\" height=\"552\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/5dd\/8eb\/b56\/5dd8ebb560ad0c008fb9cb1b322160e1.png\"\/><\/figure>\n<\/li>\n<\/ul>\n<h3>Activation Function<\/h3>\n<p>\u041d\u0435\u043c\u043d\u043e\u0433\u043e \u043d\u0430\u043f\u043e\u043c\u043d\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443, \u0432 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440-\u0431\u043b\u043e\u043a\u0435 \u043f\u043e\u0441\u043b\u0435 attention \u0443 \u043d\u0430\u0441 \u0438\u0434\u0435\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0441\u043b\u043e\u0439, \u0430\u043a\u0430 linear-activation-linear. \u0418\u0437\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e \u0442\u0430\u043c \u0431\u044b\u043b\u043e \u0441\u0442\u0430\u0440\u043e\u0435-\u0434\u043e\u0431\u0440\u043e\u0435 ReLU. \u0421\u0435\u0439\u0447\u0430\u0441 \u0442\u0430\u043c <a href=\"https:\/\/paperswithcode.com\/method\/swiglu\" rel=\"noopener noreferrer nofollow\">SwiGLU<\/a>. \u0412\u043e\u043e\u0431\u0449\u0435 GLU-like \u0441\u043b\u043e\u0438 \u043f\u0440\u043e \u0442\u043e, \u0447\u0442\u043e\u0431\u044b \u043a\u043e\u043d\u0442\u0440\u043e\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u0438\u043b\u0443 \u0438\u0434\u0443\u0449\u0435\u0433\u043e \u0441\u0438\u0433\u043d\u0430\u043b\u0430. \u0423\u0441\u043b\u043e\u0432\u043d\u043e: <code>glu(x) = f1(x)*f2(x)<\/code>, \u0433\u0434\u0435 <code>f1(x)<\/code> \u0431\u0443\u0434\u0435\u0442 \u0441\u0438\u0433\u043d\u0430\u043b, <code>f2(x)<\/code> \u0441\u0438\u043b\u0430 \u0441\u0438\u0433\u043d\u0430\u043b\u0430, \u0430 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u044d\u0442\u043e \u0438\u0445 \u043f\u043e\u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043d\u043e\u0435 \u0443\u043c\u043d\u043e\u0436\u0435\u043d\u0438\u0435. \u0414\u0430\u043b\u044c\u0448\u0435 <code>f1<\/code> \u044d\u0442\u043e \u043e\u0431\u044b\u0447\u043d\u044b\u0439 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0441\u043b\u043e\u0439, \u0430 <code>f2<\/code> \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u0440\u0430\u0437\u043d\u043e\u0439, \u0432 \u0434\u0430\u043d\u043d\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u044f <a href=\"https:\/\/pytorch.org\/docs\/stable\/generated\/torch.nn.SiLU.html\" rel=\"noopener noreferrer nofollow\">silu<\/a>. \u041f\u043e\u0447\u0435\u043c\u0443 \u0438\u043c\u0435\u043d\u043d\u043e \u044d\u0442\u0430 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0430 \u043d\u0435 \u0434\u0440\u0443\u0433\u0430\u044f \u2014 \u043d\u0435\u044f\u0441\u043d\u043e, \u043d\u043e \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u043e\u043f\u044f\u0442\u044c \u0436\u0435 \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u0442. <\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/d4e\/1f5\/b7a\/d4e1f5b7ac72604004fac2da92b5147a.jpg\" width=\"1031\" height=\"107\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/d4e\/1f5\/b7a\/d4e1f5b7ac72604004fac2da92b5147a.jpg\" data-blurred=\"true\"\/><\/figure>\n<h3>Attention<\/h3>\n<p>\u0413\u043b\u0430\u0432\u043d\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430. \u0422\u0443\u0442 \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u044b\u0445 \u0430\u043f\u0434\u0435\u0439\u0442\u043e\u0432, \u0432\u0441\u0435 \u0442\u0430\u043a \u0438\u043b\u0438 \u0438\u043d\u0430\u0447\u0435 \u043f\u0440\u043e \u0442\u043e, \u0447\u0442\u043e\u0431\u044b \u0443\u0441\u043a\u043e\u0440\u0438\u0442\u044c\u0441\u044f\/\u0443\u043c\u0435\u043d\u044c\u0448\u0438\u0442\u044c\u0441\u044f \u043f\u043e \u043f\u0430\u043c\u044f\u0442\u0438:<\/p>\n<ul>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/pdf\/2305.13245.pdf\" rel=\"noopener noreferrer nofollow\"><strong>Grouped Query Attention<\/strong><\/a>: \u0432 \u043e\u0431\u044b\u0447\u043d\u043e\u043c multi-head \u0432 \u043a\u0430\u0436\u0434\u043e\u0439 \u0433\u043e\u043b\u043e\u0432\u0435 \u0443 \u043d\u0430\u0441 \u0434\u043b\u044f \u0442\u043e\u043a\u0435\u043d\u0430 \u0441\u0432\u043e\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>q<\/code>, <code>k<\/code> \u0438 <code>v<\/code>. \u0422\u0443\u0442 \u043c\u044b \u0440\u0430\u0437\u0431\u0438\u0432\u0430\u0435\u043c \u0433\u043e\u043b\u043e\u0432\u044b \u043d\u0430 \u0433\u0440\u0443\u043f\u043f\u044b, \u0438 \u0432\u043d\u0443\u0442\u0440\u0438 \u043a\u0430\u0436\u0434\u043e\u0439 \u0433\u0440\u0443\u043f\u043f\u044b \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>k<\/code> \u0438 <code>v<\/code> \u0443 \u0442\u043e\u043a\u0435\u043d\u0430 \u0431\u0443\u0434\u0443\u0442 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0435. \u0412 \u0447\u0435\u043c \u0441\u0443\u0442\u044c \u2014 \u043c\u0435\u043d\u044c\u0448\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u043f\u0440\u0438 \u043d\u0435 \u043e\u0447\u0435\u043d\u044c \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043f\u043e\u0442\u0435\u0440\u0435 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/pdf\/2205.14135.pdf\" rel=\"noopener noreferrer nofollow\"><strong>Flash Attention<\/strong><\/a>: \u0442\u0443\u0442 \u0441\u0443\u0442\u044c \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e bottleneck \u0432 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0438 \u043a \u043f\u0430\u043c\u044f\u0442\u0438, \u0430 \u043d\u0435 \u0432 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f\u0445, \u0438 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043c\u0435\u043d\u044f\u0442\u044c \u043f\u043e\u0434\u0445\u043e\u0434 \u043d\u0430 \u043c\u0435\u043d\u0435\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u0439 \u0432 \u043f\u043b\u0430\u043d\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u043d\u043e \u0431\u043e\u043b\u0435\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u0439 \u0432 \u043f\u043b\u0430\u043d\u0435 \u043f\u0430\u043c\u044f\u0442\u0438, \u0437\u0430 \u0441\u0447\u0435\u0442 \u0447\u0435\u0433\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u043f\u043e \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u2014 \u0442\u043e \u0435\u0441\u0442\u044c \u044d\u0442\u043e \u0438\u043c\u0435\u043d\u043d\u043e \u043f\u0440\u043e \u0442\u043e, \u043a\u0430\u043a \u043f\u043e\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f, \u0441\u0443\u0442\u044c \u0438 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043d\u0435 \u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f, \u0430 \u0443\u0441\u043a\u043e\u0440\u0438\u0442\u044c\u0441\u044f \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438\u043b\u0438\u0447\u043d\u043e<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/pdf\/2310.06825.pdf\" rel=\"noopener noreferrer nofollow\"><strong>Sliding Window Attention<\/strong><\/a>: \u0432\u043e \u0432\u0440\u0435\u043c\u044f attention \u0442\u043e\u043a\u0435\u043d \u0431\u0443\u0434\u0435\u0442 \u043e\u0431\u0440\u0430\u0449\u0430\u0442\u044c\u0441\u044f \u043d\u0435 \u043a\u043e \u0432\u0441\u0435\u043c \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0438\u043c \u0442\u043e\u043a\u0435\u043d\u0430\u043c, \u0430 \u0442\u043e\u043b\u044c\u043a\u043e \u043a <code>W<\/code> \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u043c. \u0415\u0441\u043b\u0438 \u0443 \u043d\u0430\u0441 <code>k<\/code> \u0441\u043b\u043e\u0435\u0432, \u0442\u043e \u043d\u0430 <code>k<\/code>-\u0442\u043e\u043c \u0441\u043b\u043e\u0435 \u044d\u043b\u0435\u043c\u0435\u043d\u0442 <code>i<\/code> \u0441\u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043e\u0442 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 <code>W*k<\/code> \u0442\u043e\u043a\u0435\u043d\u043e\u0432. \u041e\u043f\u044f\u0442\u044c \u0436\u0435 \u0446\u0435\u043b\u044c \u0441\u044d\u043a\u043e\u043d\u043e\u043c\u0438\u0442\u044c \u043f\u043e \u043f\u0430\u043c\u044f\u0442\u0438, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u043b\u0443\u0447\u0430\u043b\u043e\u0441\u044c \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0441 \u043e\u0447\u0435\u043d\u044c \u0434\u043b\u0438\u043d\u043d\u044b\u043c\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044f\u043c\u0438<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/mett29.github.io\/posts\/kv-cache\/\" rel=\"noopener noreferrer nofollow\"><strong>KV-cache<\/strong><\/a>: \u0442\u0443\u0442 \u0440\u0435\u0447\u044c \u043f\u0440\u043e \u0442\u043e, \u0447\u0442\u043e\u0431\u044b \u0441\u044d\u043a\u043e\u043d\u043e\u043c\u0438\u0442\u044c \u0432\u043e \u0432\u0440\u0435\u043c\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430. \u0412\u043e\u043e\u0431\u0449\u0435-\u0442\u043e \u043c\u044b \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u043c \u0442\u0435\u043a\u0441\u0442 \u0440\u0435\u043a\u0443\u0440\u0441\u0438\u0432\u043d\u043e, \u0442\u043e \u0435\u0441\u0442\u044c \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043d\u043e\u0432\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043c\u044b \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c \u0441 \u0441\u0430\u043c\u043e\u0433\u043e \u043d\u0430\u0447\u0430\u043b\u0430. \u0415\u0441\u043b\u0438 \u0432 \u0442\u0443\u043f\u0443\u044e \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u0435\u0435 \u0434\u043b\u044f &#171;\u0428\u043b\u0430&#187;, &#171;\u0428\u043b\u0430 \u041c\u0430\u0448\u0430&#187;, &#171;\u0428\u043b\u0430 \u041c\u0430\u0448\u0430 \u043f\u043e&#187;, \u0438 \u0442.\u0434., \u0442\u043e \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u0432\u044b\u043d\u0443\u0436\u0434\u0435\u043d\u044b \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0437 \u0434\u043b\u044f \u0432\u0441\u0435\u0445 \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u0442\u0435\u043a\u0441\u0442\u0430 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0442\u044c <code>q<\/code>, <code>k<\/code>, <code>v<\/code> \u0432 attention. \u041d\u043e \u0432\u043e\u043e\u0431\u0449\u0435-\u0442\u043e \u0434\u043b\u044f \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u044f \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0435\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043d\u0430\u043c \u043d\u0435 \u043d\u0443\u0436\u043d\u044b \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0438\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>q<\/code>, \u0430 \u0435\u0449\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>k<\/code> \u0438 <code>v<\/code> \u0432\u0441\u0435\u0445 \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u043a\u0440\u043e\u043c\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u043c\u044b \u0443\u0436\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u043b\u0438 \u0438 \u043e\u043d\u0438 \u043d\u0438\u043a\u0430\u043a \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u044f\u0442\u0441\u044f. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0438\u0434\u0435\u044f \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0432 \u043f\u0430\u043c\u044f\u0442\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>k<\/code> \u0438 <code>v<\/code> \u0432\u043e \u0432\u0440\u0435\u043c\u044f \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438 (\u0432 \u0441\u043b\u0443\u0447\u0430\u0435 sliding window \u0434\u0430\u0436\u0435 \u043d\u0435 \u0432\u0441\u0435), \u043d\u0430 \u043a\u0430\u0436\u0434\u043e\u043c \u0448\u0430\u0433\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0434\u0438\u043d \u0432\u0435\u043a\u0442\u043e\u0440 q, k \u0438 v \u0434\u043b\u044f \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430. \u0422\u043e\u0436\u0435 \u0441\u0438\u043b\u044c\u043d\u043e \u0443\u0441\u043a\u043e\u0440\u044f\u0435\u0442 \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430, \u0442\u043a \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u0438\u0437\u0431\u0430\u0432\u0438\u0442\u044c\u0441\u044f \u043e\u0442 \u0438\u0437\u0431\u044b\u0442\u043e\u0447\u043d\u044b\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439<\/p>\n<\/li>\n<\/ul>\n<h3>Normalization<\/h3>\n<p><em>\u0411\u0430\u0437\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434<\/em><\/p>\n<pre><code class=\"python\">x = norm(x + attention(x)) x = norm(x + linear(x))<\/code><\/pre>\n<p><em>\u0422\u0435\u043a\u0443\u0449\u0438\u0439 \u043f\u043e\u0434\u0445\u043e\u0434<\/em><\/p>\n<pre><code class=\"python\">x = x + attention(norm(x)) x = x + linear(norm(x))<\/code><\/pre>\n<p>\u041f\u043e\u0447\u0435\u043c\u0443 \u2014 \u043f\u0440\u043e\u0441\u0442\u043e \u043b\u0443\u0447\u0448\u0435 \u0441\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c. \u0415\u0449\u0435 \u043e\u0434\u043d\u043e \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435: \u0440\u0430\u043d\u044c\u0448\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 layer norm: \u0432\u044b\u0447\u0438\u0442\u0430\u0435\u043c \u0441\u0440\u0435\u0434\u043d\u0435\u0435, \u0434\u0435\u043b\u0438\u043c \u043d\u0430 \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u043d\u043e\u0435 \u043e\u0442\u043a\u043b\u043e\u043d\u0435\u043d\u0438\u0435, \u043f\u043e\u0442\u043e\u043c \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0443\u044e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0443 \u0438 \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0435\u0449\u0435 \u043e\u0434\u043d\u0443. \u0410\u0432\u0442\u043e\u0440\u044b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/arxiv.org\/pdf\/1910.07467.pdf\" rel=\"noopener noreferrer nofollow\">RMSNorm <\/a>\u0442\u0430\u043a\u0438\u0435: \u043d\u0443 \u0432\u043e\u043e\u0431\u0449\u0435 \u0441\u0440\u0435\u0434\u043d\u0435\u0435 \u043d\u0435 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u0432\u044b\u0447\u0438\u0442\u0430\u0442\u044c, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u043d\u0430 \u0447\u0442\u043e-\u0442\u043e \u043f\u043e\u0434\u0435\u043b\u0438\u043c, \u0430 \u043f\u043e\u0442\u043e\u043c \u0443\u043c\u043d\u043e\u0436\u0438\u043c \u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0443\u044e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0443: \u043e\u043a\u0430\u0437\u0430\u043b\u043e\u0441\u044c, \u0447\u0442\u043e \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 + \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0445 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u0441\u0442\u0430\u043b\u043e \u043c\u0435\u043d\u044c\u0448\u0435, \u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043d\u0435 \u0443\u0445\u0443\u0434\u0448\u0438\u043b\u043e\u0441\u044c. \u0422\u0430\u043a \u0447\u0442\u043e \u0442\u0435\u043f\u0435\u0440\u044c \u0432\u0441\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442.<\/p>\n<figure class=\"\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/b33\/97a\/9be\/b3397a9be3461ae3d529b1793821c246.png\" width=\"446\" height=\"96\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/b33\/97a\/9be\/b3397a9be3461ae3d529b1793821c246.png\"\/><\/figure>\n<h3>Experts<\/h3>\n<p>\u041d\u0443 \u0438 FFN \u0441\u043b\u043e\u0439 \u043d\u0435 \u043e\u0431\u043e\u0448\u043b\u0438 \u0441\u0442\u043e\u0440\u043e\u043d\u043e\u0439. \u041b\u044e\u0434\u0438 \u043f\u043e\u0434\u0443\u043c\u0430\u043b\u0438: \u0430 \u0447\u0442\u043e \u0435\u0441\u043b\u0438 \u0442\u0430\u043c \u0442\u043e\u0436\u0435 \u0431\u0443\u0434\u0443\u0442 \u0433\u043e\u043b\u043e\u0432\u044b, \u043a\u0430\u043a \u0432 attention, \u043d\u043e \u043f\u043e-\u0434\u0440\u0443\u0433\u043e\u043c\u0443?)<br \/>\u041f\u0443\u0441\u0442\u044c \u0443 \u043d\u0430\u0441 \u0431\u0443\u0434\u0435\u0442 \u043d\u0435 \u043e\u0434\u0438\u043d \u0442\u0430\u043a\u043e\u0439 FFN \u0441\u043b\u043e\u0439, \u0430 n. \u041a\u0430\u0436\u0434\u044b\u0439 \u0441\u043b\u043e\u0439 \u2014 \u044d\u0442\u043e \u0438 \u0431\u0443\u0434\u0435\u0442 &#171;\u044d\u043a\u0441\u043f\u0435\u0440\u0442&#187;. \u041d\u043e \u043f\u0440\u0438 \u044d\u0442\u043e\u043c \u043a\u0430\u0436\u0434\u044b\u0439 \u0442\u043e\u043a\u0435\u043d \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442\u044c \u043d\u0435 \u0447\u0435\u0440\u0435\u0437 \u0432\u0441\u0435\u0445 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432, \u0430 \u0447\u0435\u0440\u0435\u0437 k. \u041d\u043e \u043a\u0430\u043a \u0432\u044b\u0431\u0440\u0430\u0442\u044c \u0447\u0435\u0440\u0435\u0437 \u043a\u0430\u043a\u0438\u0435 k \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u043f\u0440\u043e\u0439\u0434\u0435\u0442 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0439 \u0442\u043e\u043a\u0435\u043d? \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u0443 \u043d\u0430\u0441 \u0435\u0441\u0442\u044c \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u0434\u043b\u0438\u043d\u044b M \u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u0438 D. \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u0442\u0443\u043f\u0443\u044e \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044e: \u0434\u043e\u043c\u043d\u043e\u0436\u0438\u043c \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 MxD \u043d\u0430 \u043c\u0430\u0442\u0440\u0438\u0446\u0443 DxN, \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043f\u043e\u043b\u0443\u0447\u0438\u043c n \u0447\u0438\u0441\u0435\u043b, \u0438\u0437 \u043d\u0438\u0445 \u0432\u044b\u0431\u0435\u0440\u0435\u043c k \u0441\u0430\u043c\u044b\u0445 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u2014 \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u043a\u043e\u0442\u043e\u0440\u044b\u043c \u043e\u043d\u0438 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044e\u0442 \u0438 \u0431\u0443\u0434\u0443\u0442 \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430. \u041f\u043e\u0442\u043e\u043c \u043a \u044d\u0442\u0438\u043c k \u0447\u0438\u0441\u043b\u0430\u043c \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c softmax, \u043f\u043e\u043b\u0443\u0447\u0438\u043c \u0432\u0435\u0441\u0430 \u0434\u043b\u044f \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432. \u0418\u0442\u043e\u0433\u043e\u0432\u044b\u0439 \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d \u0442\u0430\u043a\u043e\u0439:<\/p>\n<ul>\n<li>\n<p>\u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u0446\u0438\u0440\u0443\u0435\u043c \u043a\u0430\u0436\u0434\u044b\u0439 \u0442\u043e\u043a\u0435\u043d, \u0434\u043b\u044f \u043d\u0435\u0433\u043e \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u0438 \u0438\u0445 \u0432\u0435\u0441\u0430<\/p>\n<\/li>\n<li>\n<p>\u043a\u0430\u0436\u0434\u044b\u0439 \u0442\u043e\u043a\u0435\u043d \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u0435\u043c \u0447\u0435\u0440\u0435\u0437 k \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 (\u043a\u0430\u0436\u0434\u044b\u0439 \u044d\u043a\u0441\u043f\u0435\u0440\u0442 \u044d\u0442\u043e \u0442\u0430\u043a\u043e\u0439 \u0436\u0435 SwiGLU \u0441\u043b\u043e\u0439, \u043a\u0430\u043a \u043c\u044b \u043e\u0431\u0441\u0443\u0434\u0438\u043b\u0438)<\/p>\n<\/li>\n<li>\n<p>\u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u043c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b k \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u0441 \u0432\u0435\u0441\u0430\u043c\u0438<\/p>\n<\/li>\n<\/ul>\n<p>\u0412 \u0447\u0435\u043c \u043f\u0440\u0438\u043a\u043e\u043b: \u043b\u0435\u0433\u043a\u043e \u043f\u0430\u0440\u0430\u043b\u043b\u0435\u043b\u0438\u0442\u0441\u044f + \u043c\u043e\u0436\u043d\u043e \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0442\u044c \u0447\u0438\u0441\u043b\u043e \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 n, \u043d\u043e \u043d\u0435 \u043c\u0435\u043d\u044f\u0442\u044c k \u2014 \u0432 \u0438\u0442\u043e\u0433\u0435 \u043e\u0431\u0449\u0435\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u043c\u043e\u0434\u0435\u043b\u0438 (sparse parameter count) \u0432\u044b\u0440\u0430\u0441\u0442\u0435\u0442, \u043c\u043e\u0436\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0442\u0443\u0434\u0430 \u0437\u0430\u043f\u0438\u0445\u043d\u0443\u0442\u044c, \u0430 \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u0438\u0442\u0441\u044f (\u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u0441\u044f active parameter count) \u2014 \u043c\u044b \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u0432\u0441\u0435 \u0440\u0430\u0432\u043d\u043e \u0431\u0443\u0434\u0435\u043c \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0442\u044c k \u0441\u043b\u043e\u0435\u0432. \u0412 \u0438\u0442\u043e\u0433\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u043e \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u2014 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0440\u0430\u0441\u0442\u0435\u0442, \u0432\u0441\u0435 \u0441\u0443\u043f\u0435\u0440. \u0414\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u0430\u044f \u0434\u043b\u044f \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0441\u0442\u0430\u0442\u044c\u044f \u043d\u0430 \u0442\u0435\u043c\u0443 \u043e\u0442 Mistral \u2014 <a href=\"https:\/\/arxiv.org\/pdf\/2401.04088.pdf\" rel=\"noopener noreferrer nofollow\">\u0432\u043e\u0442<\/a>. \u041e\u043d\u0438, \u043a\u0441\u0442\u0430\u0442\u0438, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 n=8 \u0438 k=2.<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w1560\/getpro\/habr\/upload_files\/196\/0e5\/842\/1960e58427c26ab5979236db870444b8.png\" width=\"547\" height=\"111\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/196\/0e5\/842\/1960e58427c26ab5979236db870444b8.png\"\/><\/figure>\n<h3>\u0418\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438<\/h3>\n<p>\u041f\u043e\u043c\u0438\u043c\u043e \u0441\u0442\u0430\u0442\u0435\u0439, \u0441\u0441\u044b\u043b\u043a\u0438 \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0435\u0441\u0442\u044c \u0432 \u0442\u0435\u043a\u0441\u0442\u0435, \u043c\u043e\u0433\u0443 \u043f\u043e\u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u043e\u0432\u0430\u0442\u044c:<\/p>\n<ul>\n<li>\n<p><a href=\"https:\/\/www.youtube.com\/watch?v=mwO6v4BlgZQ\" rel=\"noopener noreferrer nofollow\">\u0432\u0438\u0434\u0435\u043e <\/a>\u043f\u0440\u043e experts \u0438 \u0441\u0442\u0430\u0442\u044c\u044e \u043e\u0442 mistral<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/www.youtube.com\/watch?v=Mn_9W1nCFLo\" rel=\"noopener noreferrer nofollow\">\u043e\u0431\u0437\u043e\u0440 <\/a>\u043f\u043e +- \u0432\u0441\u0435\u043c \u044d\u0442\u0438\u043c \u0442\u0435\u043c\u0430\u043c<\/p>\n<\/li>\n<li>\n<p>\u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e\u0435 <a href=\"https:\/\/www.youtube.com\/watch?v=o29P0Kpobz0\" rel=\"noopener noreferrer nofollow\">\u0432\u0438\u0434\u0435\u043e \u043f\u0440\u043e RoPE<\/a><\/p>\n<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/804119\/\"> https:\/\/habr.com\/ru\/articles\/804119\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><!--[--><!--]--><\/div>\n<div id=\"post-content-body\">\n<div>\n<div class=\"article-formatted-body article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<p>\u0421 \u043c\u043e\u043c\u0435\u043d\u0442\u0430 \u0432\u044b\u0445\u043e\u0434\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438 \u043f\u0440\u043e \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440 \u043f\u0440\u043e\u0448\u043b\u043e \u0443\u0436\u0435 \u0431\u043e\u043b\u044c\u0448\u0435 7 \u043b\u0435\u0442, \u0438 \u044d\u0442\u0430 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043f\u0435\u0440\u0435\u0432\u0435\u0440\u043d\u0443\u043b\u0430 \u0432\u0435\u0441\u044c DL: \u043d\u0430\u0447\u0430\u0432 \u0441 NLP \u043e\u043d\u0430 \u0442\u0435\u043f\u0435\u0440\u044c \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f \u0432\u0435\u0437\u0434\u0435, \u0432\u043a\u043b\u044e\u0447\u0430\u044f \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u044e \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a. \u041d\u043e \u0442\u0430 \u043b\u0438 \u044d\u0442\u043e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0438\u043b\u0438 \u0443\u0436\u0435 \u043d\u0435\u0442? \u0412 \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u044f \u0445\u043e\u0442\u0435\u043b \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043a\u0440\u0430\u0442\u043a\u0438\u0439 \u043e\u0431\u0437\u043e\u0440 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u0445 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u0432 \u0442\u0435\u043a\u0443\u0449\u0438\u0445 \u0432\u0435\u0440\u0441\u0438\u044f\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 Mistral, Llama \u0438 \u0438\u043c \u043f\u043e\u0434\u043e\u0431\u043d\u044b\u043c.<\/p>\n<h3>Positional Embeddings (PE)<\/h3>\n<ul>\n<li>\n<p><em>\u0411\u0430\u0437\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434<\/em> \u2014 \u043a \u0432\u0435\u043a\u0442\u043e\u0440\u0443 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043d\u0430 \u0432\u0445\u043e\u0434\u0435 \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0432\u0435\u043a\u0442\u043e\u0440 \u0430\u0431\u0441\u043e\u043b\u044e\u0442\u043d\u043e\u0439 \u043f\u043e\u0437\u0438\u0446\u0438\u0438, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u043c, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043a\u0430\u043a\u043e\u0439-\u0442\u043e \u0444\u0443\u043d\u043a\u0446\u0438\u0435\u0439 \u043e\u0442 \u043f\u043e\u0437\u0438\u0446\u0438\u0438<\/p>\n<\/li>\n<li>\n<p><em>Relative PE<\/em> \u2014 \u0431\u0443\u0434\u0435\u043c \u043d\u0430 \u0441\u0442\u0430\u0434\u0438\u0438 attention, \u043a\u043e\u0433\u0434\u0430 \u0441\u0447\u0438\u0442\u0430\u0435\u043c <code>&lt;q_i*k_j><\/code> \u0434\u043e\u0431\u0430\u0432\u043b\u044f\u0442\u044c \u0442\u0443\u0434\u0430 \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433 \u0440\u0430\u0437\u043d\u043e\u0441\u0442\u0438 <code>i-j<\/code>. \u041f\u043b\u044e\u0441 \u0442\u0430\u043a\u043e\u0433\u043e \u043f\u043e\u0434\u0445\u043e\u0434\u0430 \u2014 \u043b\u0435\u0433\u043a\u043e \u043e\u0431\u043e\u0431\u0449\u0438\u0442\u044c \u043d\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043d\u043e\u0432\u043e\u0439 \u0434\u043b\u0438\u043d\u044b, \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043d\u0435 \u0431\u044b\u043b\u043e \u043d\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2104.09864\" rel=\"noopener noreferrer nofollow\"><em>RoPE <\/em><\/a>\u2014 \u0441\u0430\u043c\u044b\u0439 \u0442\u0440\u0435\u043d\u0434\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0441\u0435\u0439\u0447\u0430\u0441. \u041d\u0430 \u0441\u0442\u0430\u0434\u0438\u0438 attention \u0431\u0443\u0434\u0435\u043c \u043f\u043e\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0442\u044c \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>q<\/code> \u0438 <code>k<\/code> \u0432 \u0437\u0430\u0432\u0438\u0441\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0442 \u043f\u043e\u0437\u0438\u0446\u0438\u0438 \u0442\u043e\u043a\u0435\u043d\u0430. \u0423\u0441\u043b\u043e\u0432\u043d\u043e, \u0435\u0441\u043b\u0438 \u043f\u043e\u0437\u0438\u0446\u0438\u044f <code>t<\/code> \u0442\u043e \u043f\u043e\u0432\u0435\u0440\u043d\u0435\u043c \u043d\u0430 \u0443\u0433\u043e\u043b <code>t*alpha<\/code>. \u0412 \u0447\u0435\u043c \u043f\u0440\u0438\u043a\u043e\u043b \u2014 \u043f\u043e\u0437\u0438\u0446\u0438\u044f \u043a\u043e\u0434\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u043f\u043e\u0432\u043e\u0440\u043e\u0442\u043e\u043c, \u043c\u0435\u043d\u044c\u0448\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 \u0447\u0435\u043c \u0441 Relative PE, \u043f\u0440\u0438 \u044d\u0442\u043e\u043c relative \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044f \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0435\u0442\u0441\u044f: \u0435\u0441\u043b\u0438 \u043c\u044b \u0434\u043e\u0431\u0430\u0432\u0438\u043c \u0442\u0435\u043a\u0441\u0442 \u043f\u0435\u0440\u0435\u0434 \u043f\u0430\u0440\u043e\u0439 \u0441\u043b\u043e\u0432, \u043d\u043e \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438 \u0447\u0438\u0441\u043b\u043e \u0441\u043b\u043e\u0432 \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u0438\u0442\u0441\u044f \u2014 \u043c\u044b \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043f\u043e\u0432\u0435\u0440\u043d\u0435\u043c \u043e\u0431\u0430 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u043d\u0430 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0439 \u0443\u0433\u043e\u043b, \u0438 \u0443\u0433\u043e\u043b \u043c\u0435\u0436\u0434\u0443 \u043d\u0438\u043c\u0438 \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u0441\u044f, \u0430 \u0437\u043d\u0430\u0447\u0438\u0442 \u0441\u043a\u0430\u043b\u044f\u0440\u043d\u043e\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u0435 \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u0438\u0442\u0441\u044f (\u0442\u043e, \u0447\u0442\u043e \u043d\u0430\u043c \u0432\u0430\u0436\u043d\u043e \u0432 attention)! \u041d\u0430 \u0441\u0430\u043c\u043e\u043c \u0434\u0435\u043b\u0435 \u0442\u0430\u043c \u0447\u0443\u0442\u044c \u0441\u043b\u043e\u0436\u043d\u0435\u0435: \u043f\u043e\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0442\u044c \u0431\u0443\u0434\u0435\u043c \u043d\u0435 \u0432\u0435\u0441\u044c \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433 \u0446\u0435\u043b\u0438\u043a\u043e\u043c, \u0430 \u0440\u0430\u0437\u043e\u0431\u044c\u0435\u043c \u0435\u0433\u043e \u043d\u0430 \u043c\u043d\u043e\u0433\u043e \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432 \u043f\u043e 2 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u044b, \u0438 \u043a\u0430\u0436\u0434\u044b\u0439 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u043f\u043e\u0432\u0435\u0440\u043d\u0435\u043c (\u0441\u043c. \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0443). \u0423\u0441\u043a\u043e\u0440\u044f\u0435\u0442 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435, \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u0442 \u043c\u0435\u0442\u0440\u0438\u043a\u0438, \u043a\u0440\u0430\u0441\u0438\u0432\u0430\u044f \u0438\u0434\u0435\u044f \u2014 \u0447\u0442\u043e \u0435\u0449\u0435 \u043d\u0430\u0434\u043e?<\/p>\n<figure class=\"full-width\"><\/figure>\n<\/li>\n<\/ul>\n<h3>Activation Function<\/h3>\n<p>\u041d\u0435\u043c\u043d\u043e\u0433\u043e \u043d\u0430\u043f\u043e\u043c\u043d\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443, \u0432 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440-\u0431\u043b\u043e\u043a\u0435 \u043f\u043e\u0441\u043b\u0435 attention \u0443 \u043d\u0430\u0441 \u0438\u0434\u0435\u0442 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0441\u043b\u043e\u0439, \u0430\u043a\u0430 linear-activation-linear. \u0418\u0437\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e \u0442\u0430\u043c \u0431\u044b\u043b\u043e \u0441\u0442\u0430\u0440\u043e\u0435-\u0434\u043e\u0431\u0440\u043e\u0435 ReLU. \u0421\u0435\u0439\u0447\u0430\u0441 \u0442\u0430\u043c <a href=\"https:\/\/paperswithcode.com\/method\/swiglu\" rel=\"noopener noreferrer nofollow\">SwiGLU<\/a>. \u0412\u043e\u043e\u0431\u0449\u0435 GLU-like \u0441\u043b\u043e\u0438 \u043f\u0440\u043e \u0442\u043e, \u0447\u0442\u043e\u0431\u044b \u043a\u043e\u043d\u0442\u0440\u043e\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u0438\u043b\u0443 \u0438\u0434\u0443\u0449\u0435\u0433\u043e \u0441\u0438\u0433\u043d\u0430\u043b\u0430. \u0423\u0441\u043b\u043e\u0432\u043d\u043e: <code>glu(x) = f1(x)*f2(x)<\/code>, \u0433\u0434\u0435 <code>f1(x)<\/code> \u0431\u0443\u0434\u0435\u0442 \u0441\u0438\u0433\u043d\u0430\u043b, <code>f2(x)<\/code> \u0441\u0438\u043b\u0430 \u0441\u0438\u0433\u043d\u0430\u043b\u0430, \u0430 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u044d\u0442\u043e \u0438\u0445 \u043f\u043e\u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043d\u043e\u0435 \u0443\u043c\u043d\u043e\u0436\u0435\u043d\u0438\u0435. \u0414\u0430\u043b\u044c\u0448\u0435 <code>f1<\/code> \u044d\u0442\u043e \u043e\u0431\u044b\u0447\u043d\u044b\u0439 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0441\u043b\u043e\u0439, \u0430 <code>f2<\/code> \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u0440\u0430\u0437\u043d\u043e\u0439, \u0432 \u0434\u0430\u043d\u043d\u043e\u043c \u0441\u043b\u0443\u0447\u0430\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u044f <a href=\"https:\/\/pytorch.org\/docs\/stable\/generated\/torch.nn.SiLU.html\" rel=\"noopener noreferrer nofollow\">silu<\/a>. \u041f\u043e\u0447\u0435\u043c\u0443 \u0438\u043c\u0435\u043d\u043d\u043e \u044d\u0442\u0430 \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u0430 \u043d\u0435 \u0434\u0440\u0443\u0433\u0430\u044f \u2014 \u043d\u0435\u044f\u0441\u043d\u043e, \u043d\u043e \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u043e\u043f\u044f\u0442\u044c \u0436\u0435 \u0443\u043b\u0443\u0447\u0448\u0430\u0435\u0442. <\/p>\n<figure class=\"full-width\"><\/figure>\n<h3>Attention<\/h3>\n<p>\u0413\u043b\u0430\u0432\u043d\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430. \u0422\u0443\u0442 \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u044b\u0445 \u0430\u043f\u0434\u0435\u0439\u0442\u043e\u0432, \u0432\u0441\u0435 \u0442\u0430\u043a \u0438\u043b\u0438 \u0438\u043d\u0430\u0447\u0435 \u043f\u0440\u043e \u0442\u043e, \u0447\u0442\u043e\u0431\u044b \u0443\u0441\u043a\u043e\u0440\u0438\u0442\u044c\u0441\u044f\/\u0443\u043c\u0435\u043d\u044c\u0448\u0438\u0442\u044c\u0441\u044f \u043f\u043e \u043f\u0430\u043c\u044f\u0442\u0438:<\/p>\n<ul>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/pdf\/2305.13245.pdf\" rel=\"noopener noreferrer nofollow\"><strong>Grouped Query Attention<\/strong><\/a>: \u0432 \u043e\u0431\u044b\u0447\u043d\u043e\u043c multi-head \u0432 \u043a\u0430\u0436\u0434\u043e\u0439 \u0433\u043e\u043b\u043e\u0432\u0435 \u0443 \u043d\u0430\u0441 \u0434\u043b\u044f \u0442\u043e\u043a\u0435\u043d\u0430 \u0441\u0432\u043e\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>q<\/code>, <code>k<\/code> \u0438 <code>v<\/code>. \u0422\u0443\u0442 \u043c\u044b \u0440\u0430\u0437\u0431\u0438\u0432\u0430\u0435\u043c \u0433\u043e\u043b\u043e\u0432\u044b \u043d\u0430 \u0433\u0440\u0443\u043f\u043f\u044b, \u0438 \u0432\u043d\u0443\u0442\u0440\u0438 \u043a\u0430\u0436\u0434\u043e\u0439 \u0433\u0440\u0443\u043f\u043f\u044b \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>k<\/code> \u0438 <code>v<\/code> \u0443 \u0442\u043e\u043a\u0435\u043d\u0430 \u0431\u0443\u0434\u0443\u0442 \u043e\u0434\u0438\u043d\u0430\u043a\u043e\u0432\u044b\u0435. \u0412 \u0447\u0435\u043c \u0441\u0443\u0442\u044c \u2014 \u043c\u0435\u043d\u044c\u0448\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u043f\u0440\u0438 \u043d\u0435 \u043e\u0447\u0435\u043d\u044c \u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u043f\u043e\u0442\u0435\u0440\u0435 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/pdf\/2205.14135.pdf\" rel=\"noopener noreferrer nofollow\"><strong>Flash Attention<\/strong><\/a>: \u0442\u0443\u0442 \u0441\u0443\u0442\u044c \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e bottleneck \u0432 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0438 \u043a \u043f\u0430\u043c\u044f\u0442\u0438, \u0430 \u043d\u0435 \u0432 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f\u0445, \u0438 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u043c\u0435\u043d\u044f\u0442\u044c \u043f\u043e\u0434\u0445\u043e\u0434 \u043d\u0430 \u043c\u0435\u043d\u0435\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u0439 \u0432 \u043f\u043b\u0430\u043d\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u043d\u043e \u0431\u043e\u043b\u0435\u0435 \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u0439 \u0432 \u043f\u043b\u0430\u043d\u0435 \u043f\u0430\u043c\u044f\u0442\u0438, \u0437\u0430 \u0441\u0447\u0435\u0442 \u0447\u0435\u0433\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u043f\u043e \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u2014 \u0442\u043e \u0435\u0441\u0442\u044c \u044d\u0442\u043e \u0438\u043c\u0435\u043d\u043d\u043e \u043f\u0440\u043e \u0442\u043e, \u043a\u0430\u043a \u043f\u043e\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f, \u0441\u0443\u0442\u044c \u0438 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043d\u0435 \u043c\u0435\u043d\u044f\u0435\u0442\u0441\u044f, \u0430 \u0443\u0441\u043a\u043e\u0440\u0438\u0442\u044c\u0441\u044f \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043f\u0440\u0438\u043b\u0438\u0447\u043d\u043e<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/pdf\/2310.06825.pdf\" rel=\"noopener noreferrer nofollow\"><strong>Sliding Window Attention<\/strong><\/a>: \u0432\u043e \u0432\u0440\u0435\u043c\u044f attention \u0442\u043e\u043a\u0435\u043d \u0431\u0443\u0434\u0435\u0442 \u043e\u0431\u0440\u0430\u0449\u0430\u0442\u044c\u0441\u044f \u043d\u0435 \u043a\u043e \u0432\u0441\u0435\u043c \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0438\u043c \u0442\u043e\u043a\u0435\u043d\u0430\u043c, \u0430 \u0442\u043e\u043b\u044c\u043a\u043e \u043a <code>W<\/code> \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u043c. \u0415\u0441\u043b\u0438 \u0443 \u043d\u0430\u0441 <code>k<\/code> \u0441\u043b\u043e\u0435\u0432, \u0442\u043e \u043d\u0430 <code>k<\/code>-\u0442\u043e\u043c \u0441\u043b\u043e\u0435 \u044d\u043b\u0435\u043c\u0435\u043d\u0442 <code>i<\/code> \u0441\u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043e\u0442 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 <code>W*k<\/code> \u0442\u043e\u043a\u0435\u043d\u043e\u0432. \u041e\u043f\u044f\u0442\u044c \u0436\u0435 \u0446\u0435\u043b\u044c \u0441\u044d\u043a\u043e\u043d\u043e\u043c\u0438\u0442\u044c \u043f\u043e \u043f\u0430\u043c\u044f\u0442\u0438, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u043b\u0443\u0447\u0430\u043b\u043e\u0441\u044c \u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0441 \u043e\u0447\u0435\u043d\u044c \u0434\u043b\u0438\u043d\u043d\u044b\u043c\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044f\u043c\u0438<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/mett29.github.io\/posts\/kv-cache\/\" rel=\"noopener noreferrer nofollow\"><strong>KV-cache<\/strong><\/a>: \u0442\u0443\u0442 \u0440\u0435\u0447\u044c \u043f\u0440\u043e \u0442\u043e, \u0447\u0442\u043e\u0431\u044b \u0441\u044d\u043a\u043e\u043d\u043e\u043c\u0438\u0442\u044c \u0432\u043e \u0432\u0440\u0435\u043c\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430. \u0412\u043e\u043e\u0431\u0449\u0435-\u0442\u043e \u043c\u044b \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u043c \u0442\u0435\u043a\u0441\u0442 \u0440\u0435\u043a\u0443\u0440\u0441\u0438\u0432\u043d\u043e, \u0442\u043e \u0435\u0441\u0442\u044c \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u043d\u043e\u0432\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043c\u044b \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u0435\u043c \u043c\u043e\u0434\u0435\u043b\u044c \u0441 \u0441\u0430\u043c\u043e\u0433\u043e \u043d\u0430\u0447\u0430\u043b\u0430. \u0415\u0441\u043b\u0438 \u0432 \u0442\u0443\u043f\u0443\u044e \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u0435\u0435 \u0434\u043b\u044f &#171;\u0428\u043b\u0430&#187;, &#171;\u0428\u043b\u0430 \u041c\u0430\u0448\u0430&#187;, &#171;\u0428\u043b\u0430 \u041c\u0430\u0448\u0430 \u043f\u043e&#187;, \u0438 \u0442.\u0434., \u0442\u043e \u043c\u044b \u0431\u0443\u0434\u0435\u043c \u0432\u044b\u043d\u0443\u0436\u0434\u0435\u043d\u044b \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0437 \u0434\u043b\u044f \u0432\u0441\u0435\u0445 \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u0442\u0435\u043a\u0441\u0442\u0430 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0442\u044c <code>q<\/code>, <code>k<\/code>, <code>v<\/code> \u0432 attention. \u041d\u043e \u0432\u043e\u043e\u0431\u0449\u0435-\u0442\u043e \u0434\u043b\u044f \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u044f \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0435\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043d\u0430\u043c \u043d\u0435 \u043d\u0443\u0436\u043d\u044b \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0438\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>q<\/code>, \u0430 \u0435\u0449\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>k<\/code> \u0438 <code>v<\/code> \u0432\u0441\u0435\u0445 \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u043a\u0440\u043e\u043c\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u043c\u044b \u0443\u0436\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u043b\u0438 \u0438 \u043e\u043d\u0438 \u043d\u0438\u043a\u0430\u043a \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u044f\u0442\u0441\u044f. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0438\u0434\u0435\u044f \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0432 \u043f\u0430\u043c\u044f\u0442\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 <code>k<\/code> \u0438 <code>v<\/code> \u0432\u043e \u0432\u0440\u0435\u043c\u044f \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438 (\u0432 \u0441\u043b\u0443\u0447\u0430\u0435 sliding window \u0434\u0430\u0436\u0435 \u043d\u0435 \u0432\u0441\u0435), \u043d\u0430 \u043a\u0430\u0436\u0434\u043e\u043c \u0448\u0430\u0433\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u044f \u0442\u043e\u043b\u044c\u043a\u043e \u043e\u0434\u0438\u043d \u0432\u0435\u043a\u0442\u043e\u0440 q, k \u0438 v \u0434\u043b\u044f \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0435\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430. \u0422\u043e\u0436\u0435 \u0441\u0438\u043b\u044c\u043d\u043e \u0443\u0441\u043a\u043e\u0440\u044f\u0435\u0442 \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430, \u0442\u043a \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u0438\u0437\u0431\u0430\u0432\u0438\u0442\u044c\u0441\u044f \u043e\u0442 \u0438\u0437\u0431\u044b\u0442\u043e\u0447\u043d\u044b\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439<\/p>\n<\/li>\n<\/ul>\n<h3>Normalization<\/h3>\n<p><em>\u0411\u0430\u0437\u043e\u0432\u044b\u0439 \u043f\u043e\u0434\u0445\u043e\u0434<\/em><\/p>\n<pre><code class=\"python\">x = norm(x + attention(x)) x = norm(x + linear(x))<\/code><\/pre>\n<p><em>\u0422\u0435\u043a\u0443\u0449\u0438\u0439 \u043f\u043e\u0434\u0445\u043e\u0434<\/em><\/p>\n<pre><code class=\"python\">x = x + attention(norm(x)) x = x + linear(norm(x))<\/code><\/pre>\n<p>\u041f\u043e\u0447\u0435\u043c\u0443 \u2014 \u043f\u0440\u043e\u0441\u0442\u043e \u043b\u0443\u0447\u0448\u0435 \u0441\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u044c. \u0415\u0449\u0435 \u043e\u0434\u043d\u043e \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435: \u0440\u0430\u043d\u044c\u0448\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 layer norm: \u0432\u044b\u0447\u0438\u0442\u0430\u0435\u043c \u0441\u0440\u0435\u0434\u043d\u0435\u0435, \u0434\u0435\u043b\u0438\u043c \u043d\u0430 \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u043d\u043e\u0435 \u043e\u0442\u043a\u043b\u043e\u043d\u0435\u043d\u0438\u0435, \u043f\u043e\u0442\u043e\u043c \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0443\u044e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0443 \u0438 \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u043c \u0435\u0449\u0435 \u043e\u0434\u043d\u0443. \u0410\u0432\u0442\u043e\u0440\u044b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/arxiv.org\/pdf\/1910.07467.pdf\" rel=\"noopener noreferrer nofollow\">RMSNorm <\/a>\u0442\u0430\u043a\u0438\u0435: \u043d\u0443 \u0432\u043e\u043e\u0431\u0449\u0435 \u0441\u0440\u0435\u0434\u043d\u0435\u0435 \u043d\u0435 \u043e\u0431\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u0432\u044b\u0447\u0438\u0442\u0430\u0442\u044c, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u043f\u0440\u043e\u0441\u0442\u043e \u043d\u0430 \u0447\u0442\u043e-\u0442\u043e \u043f\u043e\u0434\u0435\u043b\u0438\u043c, \u0430 \u043f\u043e\u0442\u043e\u043c \u0443\u043c\u043d\u043e\u0436\u0438\u043c \u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0443\u044e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0443: \u043e\u043a\u0430\u0437\u0430\u043b\u043e\u0441\u044c, \u0447\u0442\u043e \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 + \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0445 \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u0441\u0442\u0430\u043b\u043e \u043c\u0435\u043d\u044c\u0448\u0435, \u0430 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u043d\u0435 \u0443\u0445\u0443\u0434\u0448\u0438\u043b\u043e\u0441\u044c. \u0422\u0430\u043a \u0447\u0442\u043e \u0442\u0435\u043f\u0435\u0440\u044c \u0432\u0441\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442.<\/p>\n<figure class=\"\"><\/figure>\n<h3>Experts<\/h3>\n<p>\u041d\u0443 \u0438 FFN \u0441\u043b\u043e\u0439 \u043d\u0435 \u043e\u0431\u043e\u0448\u043b\u0438 \u0441\u0442\u043e\u0440\u043e\u043d\u043e\u0439. \u041b\u044e\u0434\u0438 \u043f\u043e\u0434\u0443\u043c\u0430\u043b\u0438: \u0430 \u0447\u0442\u043e \u0435\u0441\u043b\u0438 \u0442\u0430\u043c \u0442\u043e\u0436\u0435 \u0431\u0443\u0434\u0443\u0442 \u0433\u043e\u043b\u043e\u0432\u044b, \u043a\u0430\u043a \u0432 attention, \u043d\u043e \u043f\u043e-\u0434\u0440\u0443\u0433\u043e\u043c\u0443?)<br \/>\u041f\u0443\u0441\u0442\u044c \u0443 \u043d\u0430\u0441 \u0431\u0443\u0434\u0435\u0442 \u043d\u0435 \u043e\u0434\u0438\u043d \u0442\u0430\u043a\u043e\u0439 FFN \u0441\u043b\u043e\u0439, \u0430 n. \u041a\u0430\u0436\u0434\u044b\u0439 \u0441\u043b\u043e\u0439 \u2014 \u044d\u0442\u043e \u0438 \u0431\u0443\u0434\u0435\u0442 &#171;\u044d\u043a\u0441\u043f\u0435\u0440\u0442&#187;. \u041d\u043e \u043f\u0440\u0438 \u044d\u0442\u043e\u043c \u043a\u0430\u0436\u0434\u044b\u0439 \u0442\u043e\u043a\u0435\u043d \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u043e\u0445\u043e\u0434\u0438\u0442\u044c \u043d\u0435 \u0447\u0435\u0440\u0435\u0437 \u0432\u0441\u0435\u0445 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432, \u0430 \u0447\u0435\u0440\u0435\u0437 k. \u041d\u043e \u043a\u0430\u043a \u0432\u044b\u0431\u0440\u0430\u0442\u044c \u0447\u0435\u0440\u0435\u0437 \u043a\u0430\u043a\u0438\u0435 k \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u043f\u0440\u043e\u0439\u0434\u0435\u0442 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u044b\u0439 \u0442\u043e\u043a\u0435\u043d? \u0414\u043e\u043f\u0443\u0441\u0442\u0438\u043c, \u0443 \u043d\u0430\u0441 \u0435\u0441\u0442\u044c \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u0434\u043b\u0438\u043d\u044b M \u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u0438 D. \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e \u0442\u0443\u043f\u0443\u044e \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044e: \u0434\u043e\u043c\u043d\u043e\u0436\u0438\u043c \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 MxD \u043d\u0430 \u043c\u0430\u0442\u0440\u0438\u0446\u0443 DxN, \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u043f\u043e\u043b\u0443\u0447\u0438\u043c n \u0447\u0438\u0441\u0435\u043b, \u0438\u0437 \u043d\u0438\u0445 \u0432\u044b\u0431\u0435\u0440\u0435\u043c k \u0441\u0430\u043c\u044b\u0445 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u2014 \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u043a\u043e\u0442\u043e\u0440\u044b\u043c \u043e\u043d\u0438 \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044e\u0442 \u0438 \u0431\u0443\u0434\u0443\u0442 \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u0434\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430. \u041f\u043e\u0442\u043e\u043c \u043a \u044d\u0442\u0438\u043c k \u0447\u0438\u0441\u043b\u0430\u043c \u043f\u0440\u0438\u043c\u0435\u043d\u0438\u043c softmax, \u043f\u043e\u043b\u0443\u0447\u0438\u043c \u0432\u0435\u0441\u0430 \u0434\u043b\u044f \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432. \u0418\u0442\u043e\u0433\u043e\u0432\u044b\u0439 \u043f\u0430\u0439\u043f\u043b\u0430\u0439\u043d \u0442\u0430\u043a\u043e\u0439:<\/p>\n<ul>\n<li>\n<p>\u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u0446\u0438\u0440\u0443\u0435\u043c \u043a\u0430\u0436\u0434\u044b\u0439 \u0442\u043e\u043a\u0435\u043d, \u0434\u043b\u044f \u043d\u0435\u0433\u043e \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u0438\u043d\u0434\u0435\u043a\u0441\u044b \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u0438 \u0438\u0445 \u0432\u0435\u0441\u0430<\/p>\n<\/li>\n<li>\n<p>\u043a\u0430\u0436\u0434\u044b\u0439 \u0442\u043e\u043a\u0435\u043d \u043f\u0440\u043e\u0433\u043e\u043d\u044f\u0435\u043c \u0447\u0435\u0440\u0435\u0437 k \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 (\u043a\u0430\u0436\u0434\u044b\u0439 \u044d\u043a\u0441\u043f\u0435\u0440\u0442 \u044d\u0442\u043e \u0442\u0430\u043a\u043e\u0439 \u0436\u0435 SwiGLU \u0441\u043b\u043e\u0439, \u043a\u0430\u043a \u043c\u044b \u043e\u0431\u0441\u0443\u0434\u0438\u043b\u0438)<\/p>\n<\/li>\n<li>\n<p>\u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u043c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b k \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 \u0441 \u0432\u0435\u0441\u0430\u043c\u0438<\/p>\n<\/li>\n<\/ul>\n<p>\u0412 \u0447\u0435\u043c \u043f\u0440\u0438\u043a\u043e\u043b: \u043b\u0435\u0433\u043a\u043e \u043f\u0430\u0440\u0430\u043b\u043b\u0435\u043b\u0438\u0442\u0441\u044f + \u043c\u043e\u0436\u043d\u043e \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0442\u044c \u0447\u0438\u0441\u043b\u043e \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432 n, \u043d\u043e \u043d\u0435 \u043c\u0435\u043d\u044f\u0442\u044c k \u2014 \u0432 \u0438\u0442\u043e\u0433\u0435 \u043e\u0431\u0449\u0435\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u043c\u043e\u0434\u0435\u043b\u0438 (sparse parameter count) \u0432\u044b\u0440\u0430\u0441\u0442\u0435\u0442, \u043c\u043e\u0436\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0442\u0443\u0434\u0430 \u0437\u0430\u043f\u0438\u0445\u043d\u0443\u0442\u044c, \u0430 \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 \u043d\u0435 \u0438\u0437\u043c\u0435\u043d\u0438\u0442\u0441\u044f (\u043f\u043e\u0442\u043e\u043c\u0443 \u0447\u0442\u043e \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u0441\u044f active parameter count) \u2014 \u043c\u044b \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u0432\u0441\u0435 \u0440\u0430\u0432\u043d\u043e \u0431\u0443\u0434\u0435\u043c \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u0442\u044c k \u0441\u043b\u043e\u0435\u0432. \u0412 \u0438\u0442\u043e\u0433\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u043e \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u2014 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u043e \u0440\u0430\u0441\u0442\u0435\u0442, \u0432\u0441\u0435 \u0441\u0443\u043f\u0435\u0440. \u0414\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u0430\u044f \u0434\u043b\u044f \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0441\u0442\u0430\u0442\u044c\u044f \u043d\u0430 \u0442\u0435\u043c\u0443 \u043e\u0442 Mistral \u2014 <a href=\"https:\/\/arxiv.org\/pdf\/2401.04088.pdf\" rel=\"noopener noreferrer nofollow\">\u0432\u043e\u0442<\/a>. \u041e\u043d\u0438, \u043a\u0441\u0442\u0430\u0442\u0438, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 n=8 \u0438 k=2.<\/p>\n<figure class=\"full-width\"><\/figure>\n<h3>\u0418\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438<\/h3>\n<p>\u041f\u043e\u043c\u0438\u043c\u043e \u0441\u0442\u0430\u0442\u0435\u0439, \u0441\u0441\u044b\u043b\u043a\u0438 \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0435\u0441\u0442\u044c \u0432 \u0442\u0435\u043a\u0441\u0442\u0435, \u043c\u043e\u0433\u0443 \u043f\u043e\u0440\u0435\u043a\u043e\u043c\u0435\u043d\u0434\u043e\u0432\u0430\u0442\u044c:<\/p>\n<ul>\n<li>\n<p><a href=\"https:\/\/www.youtube.com\/watch?v=mwO6v4BlgZQ\" rel=\"noopener noreferrer nofollow\">\u0432\u0438\u0434\u0435\u043e <\/a>\u043f\u0440\u043e experts \u0438 \u0441\u0442\u0430\u0442\u044c\u044e \u043e\u0442 mistral<\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/www.youtube.com\/watch?v=Mn_9W1nCFLo\" rel=\"noopener noreferrer nofollow\">\u043e\u0431\u0437\u043e\u0440 <\/a>\u043f\u043e +- \u0432\u0441\u0435\u043c \u044d\u0442\u0438\u043c \u0442\u0435\u043c\u0430\u043c<\/p>\n<\/li>\n<li>\n<p>\u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e\u0435 <a href=\"https:\/\/www.youtube.com\/watch?v=o29P0Kpobz0\" rel=\"noopener noreferrer nofollow\">\u0432\u0438\u0434\u0435\u043e \u043f\u0440\u043e RoPE<\/a><\/p>\n<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<\/div>\n<p><!----><!----><\/div>\n<p><!----><!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/articles\/804119\/\"> https:\/\/habr.com\/ru\/articles\/804119\/<\/a><br \/><\/br><\/br><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-372292","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/372292","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=372292"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/372292\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=372292"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=372292"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=372292"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}