152. 领读Kimi K3技术报告：从架构创新聊起，注意力美学、多教师蒸馏和开源MoE

今天的节目是一集学习播客，学习Kimi K3技术报告，希望和大家一起领略“技术之美”。K3是有效扩展到2.8T总参数并全量开源的MoE模型。大家可能注意到，这集技术报告的领读距离模型发布已经过去一段时间。期间，我们试图寻找一位合适的嘉宾，我们希望这位嘉宾的学术和工作背景非常适合讲K3。最后找到孙宇涛。宇涛目前是清华大学计算机系博士候选人，上海创智学院璞锐学者。他从博士开始的研究方向是LLM架构、预训练，架构创新一直是他的兴趣点，这正好是K3亮点之一。宇涛透过领读K3技术报告也串联讲解了十多篇相关论文。他的语速非常快——前方语速预警。OUTLINE:02:00 宇涛的自我介绍和研究经历，为什么对架构创新最感兴趣？16:05 从Kimi K3论文出发，论文讲解的框架与脉络19:02 宇涛开始领读论文：1 导读Kimi K3将设计概括为沿sequence、depth和width三个维度扩展信息流；其中depth与width本质上仍是模型容量扩展的两种组织⽅式，这⼀“三维 scaling”更多是贯穿论⽂的叙事框架。2 Model Architecture2.1 线性注意⼒的前世今⽣[Microsoft Research] RetNet：最初的 data-independent decay 与 chunk-recurrent 递归形式[NVIDIA] Gated DeltaNet：引⼊ gated delta rule[Moonshot AI] Kimi Linear：fine-grained decay及其带来的infra变化2.2 Gated MLA[Alibaba Qwen] Gated Attention for Large Language Models：attention gating与训练稳定性2.3 Attention Residuals[Microsoft Research] On Layer Normalization in the Transformer Architecture：Pre-LN、Post-LN与训练稳定性[ByteDance Seed] Hyper-Connections：残差连接的新维度[Moonshot AI] Attention Residuals：以跨深度attention取代固定残差累积，使各层选择性聚合此前表⽰2.4 Stable LatentMoE与SiTU-GLU[NVIDIA] LatentMoE：通过latent expert space降低MoE通信与权重访问成本[OpenAI] GPT-OSS：以clamped SwiGLU控制激活值2.5 Muon[Moonshot AI] Moonlight / Muon is Scalable for LLM Training：更好的优化表现及随之突出的 activation outlier问题2.6 Quantile Balancing[科学空间] 《MoE环游记：6、最优分配促均衡》：从最优分配推导Quantile Balancing2.7 Native Vision3 Pre-Training3.1 Scaling Law[OpenBMB] MiniCPM：WSD的训练预算扩展、稳定阶段复⽤、继续训练与提前停⽌3.2 Long-Context Extension[Cohere] RNoPE：交替使⽤RoPE与NoPE，兼顾位置建模与长上下⽂检索4 Post-Training4.1 Post-Training Pipeline4.2 Reinforcement Learning[Moonshot AI] Kimi K1.5：提出partial rollout，通过复⽤未完成轨迹降低长CoT rollout开销[Moonshot AI] Kimi K2.5：reasoning-effort budget control 与 Agentic Generative Reward Model4.3 Multi-Teacher On-Policy Distillation[Microsoft Research] MiniLLM：基于student-generated samples的on-policy distillation4.4 Deployment-Aware Post-Training4.5 Draft Model Fine-Tuning5 Infrastructure5.1 Pre-Training5.1.1 KDA Kernel[FLA] Flash Linear Attention：KDA kernel与线性注意⼒⾼效实现5.1.2 Distributed Training[DeepSeek-AI] DeepSeek-V3 Technical Report：DualPipe与细粒度MoE communication–computation overlapMoE overlap的资源trade-off与cross-PP activation transfer5.1.3 Perfectly Balanced Expert-Parallel MoE Training5.1.4 Memory-Efficient Training[Moonshot AI] Mooncake：Mooncake Transfer Engine与cross-PP activation remote offload5.1.5 Multimodal Encoder Optimization5.2 RL5.2.1 Long-Context RL Infrastructure5.2.2 Sandbox Infrastructure5.3 Inference