【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)

【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)

目录

0x00 概要

0.1 主要内容

K3 用一个 MTP 层(注意力骨架 = 骨干块镜像、默认 MLA、dense_ffn=False→稀疏 MoE)把训练从"一步一监督"升级为"一步两监督",训练结束把这层微调成 EAGLE-3 draft,用 [0 0 I] 特征融合 + LK 损失把"每个目标前向期望 token 数"推到理论上限附近。但"上限"只是理论——真正把草稿变成 token 需要 verify(接受/拒绝)环节,而这是kimi3-master也没给、由本项目 speculative.py 补上的部分。

另外,递归状态把候选 Token 混合在一起,不能像独立 KV 那样直接删除拒绝分支,因此必须保存状态快照或使用专门的恢复机制。

知识点:Multi-Token Prediction(多 token 预测)与 EAGLE-3 草稿模型 — K3 训练目标与投机解码加速组件

原始论文:

论文 出处
Kimi K3: Open Frontier Intelligence(K3 技术报告,MTP 定义 §4.1.4、Table 1) arXiv:2607.24653(2026-07-27);Kimi Team;Moonshot AI
EAGLE: Speculative Sampling Requires Rethinking Feature Uncertainty(EAGLE-1,特征外推草稿家族鼻祖) arXiv:2401.15077v2(2024-01);Tsinghua & MetEagle
EAGLE-3(K3 采用的 draft 框架) EAGLE 系列论文;K3 报告 §4.1.4 直接引用其训练协议
Block-Attention for Efficient Pre-training(MTP 深度预测在 LLM 训练里的代表性工作) 同行文献;K3 报告 §4.1.4 引言所引的"多 token 预测"谱系

0.2 注意说明

  • 项目https://github.com/RossiLH/Model-Viz 和系列博客是我的一个尝试,也是我学习的过程。不确定是否满足读者的需求,我自己会反思改进,也希望大家提出宝贵意见。
  • 涉及 KIMI K3,DeepSeek V4,PI0.5,PI0.7 等模型。后续可能会跟踪新模型。
  • 全 CPU 复刻,不涉及 GPU,也不涉及大规模训练(这是另外一个庞杂深邃的领域)和硬件。
  • 模型的组件尽量是原始大模型的缩小版,如果组件没有开源版本,则用近似组件替代。
  • 会解释每个组件在解决一个什么问题、这个问题难在哪、为什么只能这么解、解法的原理是什么,以及组件之间如何咬合成一个整体。重点不是记名词,而是理解一条主线。
  • 每个主要组件都有可直接运行的 Gradio demo——无需 GPU。另有若干可视化脚本(plot_*.py),可生成静态图。
  • 所有文件行号基于本地源码快照;源码后续变化时,行号可能移动,但函数名和调用关系仍可作为定位入口。
  • 为了保证每个文章可以尽量独立成文,所以有些内容会在不同文章中都存在,可能在系列层面上存在冗余,还请大家理解。

0x01. 演进脉络与定位

1.1 前身与谱系

阶段 代表 机制 问题/特色
单 token 预测(NTP) GPT / LLaMA 每步预测 x[t+1] 每 token 最多一个监督信号,训练信息利用率低
多 token 预测(MTP) DeepSeek-V3 MTP head、K3 每 step 同时监督多个未来 token 增加辅助头与额外骨干层
K3 MTP → EAGLE-3 K3 报告 §4.1.4 蒸馏后 draft 复用 "一鱼两吃":训练用 MTP、推理用 EAGLE-3

K3 MTP 谱系的一句话:把训练目标从"每一步只预测下一个 token"升级为"同时预测多步"。

MTP 是训练侧的辅助目标,可以让模型对训练目标有更深刻的理解;K3 只用一层 MTP,预测 x[t+2](主模型已预测 x[t+1])。

预训练完成后,这层变成 EAGLE-3 draft 的起点,然后被微调成 EAGLE-3 草稿模型(目标模型冻结,只训 draft 层 + 特征融合投影),转换到推理侧的投机解码加速推理——用"免费"的草稿层换取多次昂贵的目标模型前向的中和加速(训练用 MTP、推理用 EAGLE-3)。

1.2 同期竞品方案

方案 核心机制 优势 劣势
DeepSeek-V3 MTP head 额外 MTP 块预测 step-2 token 每 token 多一个监督 训练代价(一个块的前向)
EAGLE(早期) 特征融合 draft 接受率高 训练仍需 CE
EAGLE-3(K3) 融合 + LK 损失无 CE、7 步 unroll 直接优化接受率、推断 draft 内部一致 依赖 特征融合初值稳定
Medusa / MTP 草案头 多个并列 head 预测未来 简单 每个 head 独立参数、接受率低

0x02. 原理讲解

2.1 直觉类比视角

想象一个图书管理员(backbone 编码器)。平时他只干一件事:递给你一本书(token x[t]),告诉你"下一本是什么"(预测 x[t+1])。现在给他加一个问答助手(MTP 层):

  • 训练时,助手会拿到"上一本 + 你以为的下一本",要求说出"下下本"。于是管理员不仅要学会"这本书支持下一本",还要支持"下一本"本身的信息质量——同一隐藏态一下子要为两个问题服务。
  • 预训练完成后,这个助手被调教成一个"速读顾问"(EAGLE-3 draft):它能极快地连续猜出接下来 4~7 本书,主模型看到顾问的猜测只要做一次廉价核对(接受/拒绝),不接受的再亲自读。顾问猜得越准,实际读的书越少。
  • 核对这一步(verify)——主模型逐本(GPU上是并行)判断"顾问猜的对不对",猜对就照单全收,猜错就自己读一本、并退回上一本正确的地方。这正是投机解码的灵魂,现在由 speculative.py 补齐的部分。

其中有个细节:顾问起步时只信"最高层的摘要"(特征融合初值 [0 0 I]),再逐步学会参考"低层笔记"。这防止了起步时的突发扰动。

2.2 准专业水平视角

训练时(主模型 + MTP 联合前向)

主模型: logits[t] = lm_head( norm(backbone(x)) )
        loss_lm = CE( logits[:,:-1], y[:,1:] )
MTP 层:
   h = proj( cat( RMSNorm(hidden[:, :-1]), RMSNorm(emb(x[:,1:])) ), last=-1 )
   h = MTPBlock(h)                         # 注意力 + MoE(dense_ffn=False)
   mtp_logits = lm_head(h)                 # 共享 lm_head
   loss_mtp = CE( mtp_logits[:,:-1], y[:,2:] )
    
总: loss = loss_lm + λ · loss_mtp
  • hidden[:, :-1]:backbone 最终隐藏态,丢掉最后一个位置(无目标)。
  • emb(x[:, 1:]):被预测 token 自己的嵌入(teacher-forced)——这是 MTP 与直接"多步展开"的区别。
  • 预测目标始终比主模型提前一位:主体在第 t 位预测 x[t+1],MTP 在第 t 位预测 x[t+2]。

EAGLE-3(推断侧)

特征融合: x_fused = W_E3( cat( low_1, mid_4, high_last ) )   # [0 0 I] 起
单步 draft: logits = lm_head( MTPLayer( x_fused, emb(prev_draft) ) )
投机采样 verify: 目标对草稿逐位置打分,u <= p(c)/q(c) 接受,否则残差重采

2.3 专家视角

  • 为什么"先归一化再拼接"而非拼完再归一:MTP 层结构上是有 h_norm 和 e_norm 两个独立 RMSNorm 再 cat 的。若拼接后再整体归一,两个源之间尺度会互相污染(谁 ER 大谁主导);各归一化 → 两类特征在融合投影前的"音量"一致。
  • 为什么共享 lm_head:MTP 的 logits 直接走主模型 lm_head(model.py:362-411 对齐)。这样 MTP 层的预测空间与主模型一致,无需额外词表头。
  • EAGLE-3 的 LK 损失为何不用 KL:投机解码加速比 ∝ 接受率 Σ_x min(p,q)。对容量受限的 draft,KL 最小化不保证最大化接受率;K3 直接优化 L_LK = -log Σ_x min(p(x), q(x)),无 CE 项、温度 1。这是"优化和加速比直接相关的目标"而不是代理。
  • verify 的 lossless 本质:投机采样把"采样过程"拆成接受(保留草稿)+ 拒绝(从残差 max(p-q,0) 重采)。只要拒绝时从残差重采,最终分布与直接采目标分布 p 逐 token 相同(这就是"lossless"的严格含义)。
  • [0 0 I] 初值的设计哲学:避免起步扰动——初始时融合输出 ≡ 高层特征(MTP 预训练输入),训练即等于从"纯高层"开始,逐步学低/中层。实验显示 [0 0 I] 起步 error=0 且不扰动,而随机/全零有初始扰动。

2.4 关键信息完整性

  • SGLang 没有 K3 专属 MTP(test/registered/gb300/test_kimi_k25.py:29-31 声明 "No EAGLE/MTP support for Kimi-K2.5")。MTP 的三方核对以 kimi3-master × kimi-k3-pytorch 为主,SGLang 只做"散件核对"。
  • 重要: kimi3-master/serve/eagle3.py(140 行)经逐行核对,没有 verify 环节——只有 draft()、acceptance_rate、lk_loss、FeatureFusion、speedup_from_acceptance。因此本项目的 verify(speculative.py)是自研扩展而非移植。

2.5 与 DeepSeek‑V4 MTP 的对比

K3 MTP DeepSeek‑V4 MTP
融合方式 cat([h_norm(h), e_norm(e)]) → proj 独立 RMSNorm → fc1 → SiLU → fc2 (mini MLP)
是否用下一 token 嵌入 ✅ emb(x[t+1]) 是显式输入 ❌ 只用 hidden_states
骨架块 完整 Kimi3Block (attn + MoE) 无 (只有 mini MLP)
词表头 共享主干 lm_head 可选 tie_with_lm_head
深度 固定 1 层 可配置 num_nextn_predict_layers
后续用途 微调成 EAGLE‑3 做投机解码 无 EAGLE 变体

K3 的 MTP 更 "重" (完整 Transformer 块),但也因此有更强的表达能力,微调成 EAGLE‑3 后能获得更高的接受率。


0x03. 子知识点拆解 / 架构

Multi-Token Prediction
├── 3.1 MTPLayer 结构(mtp_layer.py:61, 95-135)
│    ├── h_norm / e_norm(各自 RMSNorm,:95-96)
│    ├── proj(无 bias,2d→d,:97)
│    ├── block(复用 Kimi3Block,:105;layer_kind 决定 KDA/MLA)
│    └── norm(输出归一化,:135)
├── 3.2 Kimi3ForCausalLM 集成(model.py:300, 349, 362-413)
│    ├── self.mtp = MTPLayer(...)(:300)
│    ├── forward 里 loss = lm + λ·mtp(:349)
│    └── _mtp_logits / _mtp_loss(:362 / :393,含 labels[:,2:] 对齐)
├── 3.3 MTPConfig(config.py:118-147 + 校验 :222-228)
├── 3.4 参数计数(计算见 doc,官方 config.py:609-612)
│    └── per_mtp = attn_each + moe_total + 2d + 2d²
├── 3.5 EAGLE-3 系列(eagle3.py)
│    ├── FeatureFusion [0 0 I](:73-100)
│    ├── DraftConfig(:138-143)
│    ├── Eagle3Draft(:146-191,draft 自回归 :174-191)
│    ├── eagle3_feature_stack(:104-134,摊平不选择——V3 修复)
│    ├── lk_loss / acceptance_rate(:58-70)
│    └── speedup_from_acceptance(:194-198)
└── 3.6 投机解码 verify 与端到端循环(speculative.py)
     ├── verify_tokens(:73-158)       纯函数接受判据
     ├── SpecDecodeStats(:163-216)    实测接受率 / tokens-per-forward
     ├── snapshot_caches / restore_caches(:221-261)  按类型快照/回滚
     ├── RecomputeBackend(:264)       无 cache 全序列重跑(oracle)
     ├── CacheRollbackBackend(:301)   增量打分
     └── SpeculativeDecoder(:329-475) 端到端循环(decode_recompute/:372、decode_rollback/:413)

3.1 MTP 层结构(本项目 mtp/mtp_layer.py)

子模块 代码位置
融合归一化 h_norm + e_norm + 无 bias 投影 mtp_layer.py:95-97, 128-131
骨架块(复用 Kimi3Block,KDA 或 MLA) mtp_layer.py:105-107
顶层 RMSNorm → MTP 隐藏态 mtp_layer.py:135
缓存初始化(探 KDA/MLA 类型) mtp_layer.py:137-139

3.2 主模型集成(model.py)

组件 代码
构造可选 MTP 头 model.py:302(self.mtp = MTPLayer(config) if config.model.mtp.enabled else None)
forward 叠加 MTP 损失 model.py:349-352(loss = loss + cfg.model.mtp.loss_weight * mtp_loss)
MTP logits(x[t+2]) model.py:364-393(_mtp_logits)
MTP 损失(labels[:,2:] 对齐) model.py:395-415(_mtp_loss)
解码缓存(include_mtp) model.py:417-448

3.3 配置 MTPConfig(config.py:118-147)

字段 默认值 说明
enabled False(本项目) kimi3-master 默认 True;本项目默认关闭保持兼容(可开启)
digit 1 K3 恰好 1 层(kimi3-master与 kimi-k 都硬约束)
layer_kind "mla" "mla" 或 "kda"
loss_weight 0.3 kimi-master 0.3;kimi-k-pytorch 默认 0.1
normalize_inputs True h/e 各自 RMSNorm(对齐kimi3-master[0 0 I] 一致)

校验(config.py:222-228):n_layers==1、layer_kind in (mla,kda)、loss_weight>=0。

3.4 参数计数

对齐 kimi3-masterconfig.py:609-612:

attn_each = kda_each if layer_kind=="kda" else mla_each
per_mtp = attn_each + moe_total + 2*dim + 2*dim*dim
pc.mtp = per_mtp * n_layers

本项目 mtp_param_count = 2d² + 3d(mtp_layer.py:145-156),test_mtp.py 用精确公式校验。完整骨架块参数随 Kimi3Block 规模计入总参数。

3.5 EAGLE-3 组件(mtp/eagle3.py)

K3 把预训练得到的 MTP 层微调为 EAGLE-3 风格的 draft model:目标模型保持冻结,只更新 draft layer 及其特征融合投影。按照 EAGLE-3 的训练时测试协议,训练时将 draft 展开 7 步;除第一步外,最新位置的目标模型特征不可用,draft 会使用自己在前几步的输出,从而复现推理时的递归起草过程。

组件 说明
acceptance_rate(p,q) Σ_x min(p,q),加速 ∝ 该量
lk_loss(p,q) -log(Σ min) ,温度1、无 CE
FeatureFusion 无 bias W_E3,初值 [0 0 I]
eagle3_feature_stack 摊平状态为完整出口列表(V3 修复,不再替 fuse() 做选择)
DraftConfig unroll_steps=7、feature_blocks=(0,3,-1)
Eagle3Draft 用传入 MTP 层 + lm_head;draft() 自回归 :174-191
speedup_from_acceptance E[tokens] = (1-r^(L+1))/(1-r)

3.6 投机解码 verify 组件(mtp/speculative.py)

组件 说明
VerifyResult 一轮 verify 结果(接受 token/长度/bonus/每位置比值)
verify_tokens lossless 接受判据(纯函数,不碰模型)
SpecDecodeStats 实测接受率 / tokens-per-forward
snapshot_caches 深拷贝整组 cache
restore_caches 按类型原地回滚 cache
RecomputeBackend 无 cache 全序列重跑(参考 oracle)
CacheRollbackBackend 增量打分(配合快照回滚)
SpeculativeDecoder 端到端循环(两条打分路径)

3.7 边缘处理

  • 序列太短(T<=2):_mtp_logits 返回 None,不报错(model.py:388)。
  • 多文档打包(doc_ids):_mtp_loss 用 doc_masks(doc_ids[:,:-1], T-1) 生成 MTP 的 reset/attn 掩码(model.py:381-386)。
  • ignore index:labels=-100 不参与(model.py:409)。

3.8 MTP 代码

class Kimi3ForCausalLM(nn.Module):
    """完整因果语言模型 = Kimi3Model + 共享权重 lm_head。

    - 解码路径核心接口:
       ``init_caches(batch)`` 建每 block 缓存 → ``forward(tokens, caches)`` 增量前向
       → ``generate(...)`` 生成新 token。
    """

    def __init__(self, config: Kimi3Config):
        super().__init__()
        self.model = Kimi3Model(config)
        self.lm_head = nn.Linear(config.model.dim, config.model.vocab_size, bias=False)
        # 用户后可结合的 Transformer 惯例:lm_head 通常权重与 token embedding 绑定。
        # 本项目是独立权重(un-tied),注释备注以便后续可切换到绑。
        self._gradient_checkpointing = False
        # ---- Multi-Token Prediction 头(§4.1.4)---------------------------
        # 官方 kimi3-master:`self.mtp = MTPLayer(model_cfg) if model_cfg.mtp.enabled else None`。
        # MTP 层读 backbone 最终隐藏态 h[t] + emb(x[t+1]),预测 x[t+2];
        # 预训练完成后即为 EAGLE-3 草稿模型的微调起点。
        self.mtp = MTPLayer(config) if config.model.mtp.enabled else None

    @property
    def gradient_checkpointing(self) -> bool:
        """梯度检查点开关(存储换算:前向丢弃中间激活,反向重算)。"""
        return self._gradient_checkpointing

    def set_gradient_checkpointing(self, value: bool) -> None:
        self._gradient_checkpointing = value

    def forward(
        self,
        tokens: Tensor,
        doc_ids: Optional[Tensor] = None,
        caches: Optional[list] = None,
        labels: Optional[Tensor] = None,
        return_hidden: bool = False,
        return_mtp: bool = False,
    ):
        """forward:核心逻辑在 ``Kimi3Model.forward``,这里只加输出头。

        ``tokens`` 若是一次预填整段(prefill),输出是 ``(batch, seq, vocab)``;
        若解码时逐 token 增量,则 ``tokens`` 形状 ``(batch, 1)``,输出相应为
        ``(batch, 1, vocab)``——历史信息全都藏在 ``caches`` 里。

        可选 MTP 训练(对齐 kimi3-master forward):传入 ``labels`` 时计算
        LM 损失,并(若本模型配有 MTP 层)叠加 MTP 损失,最终返回一个
        ``dict``(键 ``logits``/``loss``/``lm_loss``/``mtp_loss``/``hidden``)。
        不传 ``labels`` 时行为与旧接口一致:只返回 logits 张量(避免破坏
        现有调用方与测试)。

        ``labels`` 语义:与 HF 相同,逐位置 ground truth token id;
        ``-100`` 的位置不参与损失。主模型 logits 第 t 位预测 ``labels[:, 1:]``
        第 t 位(shift 一位)。MTP 层的预测目标再次 shift:MTP logits 第 t 位
        预测 ``tokens[t+2]``,对齐 ``labels[:, 2:]``。
        """
        h = self.model(tokens, doc_ids=doc_ids, caches=caches)
        logits = self.lm_head(h)

        if labels is not None:
            b, t = tokens.shape
            lm_loss = F.cross_entropy(
                logits[:, :-1].reshape(-1, logits.shape[-1]).float(),
                labels[:, 1:].reshape(-1),
                ignore_index=-100,
            )
            loss = lm_loss
            mtp_loss = None
            if self.mtp is not None and t > 2:
                mtp_loss = self._mtp_loss(h, tokens, labels, doc_ids)
                loss = loss + self.model.config.model.mtp.loss_weight * mtp_loss
            return {
                "logits": logits,
                "loss": loss,
                "lm_loss": lm_loss,
                "mtp_loss": mtp_loss,
                "hidden": h if return_hidden else None,
                "mtp_logits": self._mtp_logits(h, tokens, doc_ids) if return_mtp else None,
            }

        return logits

    def _mtp_logits(
        self,
        hidden: Tensor,
        tokens: Tensor,
        doc_ids: Optional[Tensor] = None,
    ) -> Optional[Tensor]:
        """MTP 层前向,输出 ``x[t+2]`` 的 logits ``(batch, t-1, vocab)``。

        对齐 kimi3-master ``model.py:_mtp_loss``:取 hidden[:, :-1]、
        next_embeds = embed_tokens(tokens[:, 1:]),MTP 层内每位置融合
        ``h[t] + emb(x[t+1])`` 预测 ``x[t+2]``,再经 lm_head 得到 logits。
        若 MTP 层禁用(``self.mtp is None``)返回 None。

        ``labels`` 的对应:MTP logits 第 t 位预测 ``x[t+2]``,所以训练目标
        用 ``labels[:, 2:]``。shape: logits (B, T-1, V),labels2 = (B, T-2, V),
        前者需再取 ``[:-1]`` 对齐(kimi3-master 正是这么做的)。
        """
        if self.mtp is None:
            return None
        b, t = hidden.shape[0], tokens.shape[1]
        if t <= 2:
            return None
        reset_mask, attn_mask = doc_masks(
            None if doc_ids is None else doc_ids[:, :-1], t - 1, hidden.device
        )
        next_embeds = self.model.tok_embed(tokens[:, 1:])
        h = self.mtp(
            hidden[:, :-1], next_embeds, reset_mask=reset_mask, attn_mask=attn_mask
        )
        return self.lm_head(h)

    def _mtp_loss(
        self,
        hidden: Tensor,
        tokens: Tensor,
        labels: Tensor,
        doc_ids: Optional[Tensor] = None,
    ) -> Optional[Tensor]:
        """MTP 损失(预测 x[t+2] 的交叉熵),供训练管线单独调用。

        与 kimi3-master ``_mtp_loss`` 一致:
        ``F.cross_entropy(mtp_logits[:, :-1], labels[:, 2:], ignore_index=-100)``。
        返回 None 当 MTP 层禁用或序列过短。
        """
        logits = self._mtp_logits(hidden, tokens, doc_ids)
        if logits is None:
            return None
        return F.cross_entropy(
            logits[:, :-1].reshape(-1, logits.shape[-1]).float(),
            labels[:, 2:].reshape(-1),
            ignore_index=-100,
        )

0x04 Eagle VS MTP

问题 答案
K3 先训 MTP 再后训 EAGLE? 是。MTP 是预训练阶段的训练目标,EAGLE‑3 是预训练完成后从 MTP 层微调出的推理加速草稿模型
EAGLE 和 MTP 架构相同? 骨架相同,输入不同。EAGLE‑3 直接复用 MTP 层的 Kimi3Block,但增加了特征融合投影 W_E3, 输入从"骨干最终隐藏态"变为"低/中/高层特征融合"
K3 架构中到底用 MTP 还是 EAGLE? 两个都用,但阶段不同: 预训练用 MTP (训练目标),推理用 EAGLE‑3 (投机解码加速)。它们是同一条流水线的两个阶段

4.1 K3 架构中 MTP 和 EAGLE 的角色

一句话总结:MTP 是 K3 预训练的 "训练增强" (让骨干学得更好), EAGLE‑3 是 K3 推理的 "推理加速" (投机解码草稿模型)。两者共享同一套骨架权重,EAGLE‑3 从 MTP 毕业而来。

4.1.1 预训练阶段: MTP 是训练目标

# Kimi3ForCausalLM.forward() 中的 MTP 集成
if self.mtp is not None and t > 2:
    mtp_loss = self.mtp_loss(h, tokens, labels, doc_ids)
    loss = lm_loss + 0.3 * mtp_loss  # 联合损失

MTP 的作用不仅是 "多预测一个 token", 更重要的是:

  • 梯度反传进骨干: MTP 的梯度流回主干 Transformer, 相当于一种正则化
  • 让骨干学到更好的表示: 预测 x[t+2] 需要更深的上下文理解,迫使骨干编码更丰富的信息

4.1.2 推理阶段: EAGLE‑3 是加速手段

# 投机解码循环
while n_new < max_new_tokens:
    # 1. 目标模型前向 → 隐藏态 + AttnRes 特征
    hidden = model.model(tokens)
    # 2. EAGLE‑3 draft 起草 K 个候选 token
    fused = draft.fuse(features)          # 特征融合
    draft_tokens, draft_logits = draft.draft(fused, embed_fn, n_steps=K)
    # 3. 目标模型 verify: 逐位置接受/拒绝
    vr = verify_tokens(target_logits, draft_logits, draft_tokens)
    # 4. 输出: 接受前缀 + bonus token
    accepted = vr.accepted_tokens[:, :vr.n_accepted]
    bonus = vr.bonus_token

4.2 完整链路:MTP → EAGLE‑3 → 投机解码

4.2.1 阶段 1: 预训练 (MTP)

主模型预测 x [t+1]      ← 主干 Transformer

MTP 层预测  x [t+2]    ← MTPLayer (骨干隐藏态,emb (x [t+1]))

损失 = CE_loss (x [t+1]) + λ・CE_loss (x [t+2])    λ = 0.3 (官方默认)

骨干 + MTP 层联合训练,MTP 梯度反传进骨干

↓ 权重继承

4.2.2 阶段 2: EAGLE‑3 微调

骨干冻结,只训练:
- MTP 层 (现在叫 draft 层)
- Eagle3FeatureFusion 投影 W_E3 (新增)

损失 = LK_loss = -log Σ_x min (p (x), q (x))

直接最大化投机解码接受率,而非 KL 代理

训练时展开 7 步 (unroll_steps=7) , 草稿消费自己前步输出

↓

4.2.3 阶段 3: 推理期投机解码

  1. 目标模型前向 → 得到隐藏态 + AttnRes 特征
  2. EAGLE‑3 draft 起草:特征融合 → 自回归生成 K 个候选 token
  3. 目标模型 verify: 逐位置接受 / 拒绝
  4. 接受前缀 + bonus token → 输出

加速比 ∝ 接受率 r, E [tokens/forward] = (1‑r^(K+1))/(1‑r)

4.3 MTP 层架构 (预训练期)

对应 K3 技术报告 §4.1.4 / Table 1。官方配置 (k3_2p8t.yaml):

mtp:
  enabled: true
  n_layers: 1        # 恰好 1 层, K3 强制校验
  layer_kind: mla    # 内部用 GatedMLA 注意力
  loss_weight: 0.3   # MTP 损失权重


4.3.1 架构细节

MTPLayer:

h_norm = RMSNorm(dim)                  # 归一化骨干隐藏态 h[t]
e_norm = RMSNorm(dim)                  # 归一化被预测 token 的嵌入 emb(x[t+1])
proj   = Linear(2*dim, dim, bias=False)# 拼接后投影回 dim
block  = Kimi3Block(...)               # 复用骨架块 (注意力 + MoE)
norm   = RMSNorm(dim)                  # 顶层输出归一化

forward(hidden[:, :-1], next_embeds):
    h = proj( cat([ h_norm(hidden), e_norm(next_embeds) ], dim=-1) )
    h = block(h)                       # x + attn(x) + ffn(x)
    return norm(h)                     # → lm_head → x[t+2] logits


4.3.2 关键设计

  1. 双输入融合: 骨干隐藏态 h[t] + 下一 token 嵌入 emb(x[t+1]), 各自 RMSNorm 后拼接投影
  2. 分开归一再拼接: 若整体 RMSNorm, 两个来源的尺度会互相干扰;先各自归一化到单位 RMS, 拼接时两边贡献均衡
  3. 复用完整骨架块: 内部是完整的 Kimi3Block (MLA 注意力 + StableLatentMoE) , 不是轻量 MLP
  4. 共享词表头: MTP 输出再过主模型的 lm_head, 不单独建头
  5. 偏移语义: 位置 t 的输出预测 x[t+2], 训练时用 labels[:, 2:] 对齐

4.4 EAGLE‑3 架构 (推理加速期)

4.4.1 与 MTP 的关系

EAGLE‑3 不是新架构, 而是 MTP 层 + 特征融合投影的组合:

class Eagle3Draft(nn.Module):
    def __init__(self, mtp_layer, dim, lm_head, cfg):
        self.fusion = Eagle3FeatureFusion(dim, n_sources=3)  # 新增!
        self.layer = mtp_layer                                # 复用 MTP 层
        self.lm_head = lm_head                                # 共享词表头


4.4.2 创新 1: 特征融合 W_E3 (初值 [0 0 I])

MTP 预训练时只用骨干最终层隐藏态。EAGLE‑3 额外引入低 / 中 / 高层特征融合:

特征来源: Attention Residuals 的三个深度位置

  • 第 1 个 AttnRes 块输出 → 低层特征 (局部模式)
  • 第 4 个 AttnRes 块输出 → 中层特征 (组合模式)
  • 最后一个 AttnRes 块输出 → 高层特征 (语义表示)

融合: W_E3 · [feat_low; feat_mid; feat_high]

W_E3` 初始化 = `[0 0 I]

初始融合输出 ≡ 高层特征 (= MTP 预训练时的输入) → 从 "只信高层" 逐步学到 "吸收低 / 中层特征" → 初始化不引入瞬间扰动,平滑过渡。

class Eagle3FeatureFusion(nn.Module):
    """无 bias 的 ``W_E3``,初始 ``[0 0 I]``(官方 FeatureFusion)。

    ``proj: (n_sources*dim) -> dim``,权重初值前 ``(n_sources-1)*dim`` 列全 0、
    末 ``dim`` 列单位阵。初始化后 ``fuse 输出 ≡ 高层特征``。
    """

    def __init__(self, dim: int, n_sources: int = 3):
        super().__init__()
        self.dim = dim
        self.n_sources = n_sources
        self.proj = nn.Linear(dim * n_sources, dim, bias=False)
        self.reset_parameters()

    def reset_parameters(self) -> None:
        with torch.no_grad():
            self.proj.weight.zero_()
            # [0 ... 0 I]:最后一个源(高层特征)恒等通过。
            self.proj.weight[:, -self.dim:] = torch.eye(self.dim)

    def forward(self, features: Sequence[Tensor]) -> Tensor:
        if len(features) != self.n_sources:
            raise ValueError(f"expected {self.n_sources} feature sources, got {len(features)}")
        return self.proj(torch.cat(list(features), dim=-1))

使用举例如下

    C = 64
    f = Eagle3FeatureFusion(C, 3)
    lo, mid, hi = (torch.randn(2, 3, C) for _ in range(3))
    out = f([lo, mid, hi])


4.4.3 创新 2: LK 损失 (直接优化接受率)

传统做法: KL 散度当代理 → 不能保证最大化接受率 (容量受限时 KL 最优 ≠ 接受率最优)

K3 做法: L_LK = -log Σ_x min(p(x), q(x))

  • p = 目标模型分布,q = 草稿模型分布
  • 直接优化决定加速比的量: acceptance_rate = Σ_x min(p(x), q(x))

训练时展开 7 步 (unroll_steps=7):除第一步外,草稿消费自己前一步输出 — 正是推理期 drafting 过程的镜像。

4.5 EAGLE-3 如何复用 MTP

4.5.1 整体关系图

整体关系图

4.5.2 复用点 1:整个 MTPLayer 直接作为 Eagle3Draft 的"骨架块"

代码:eagle3.py:154-180

class Eagle3Draft(nn.Module):
    def __init__(self, mtp_layer: nn.Module, dim: int, lm_head: nn.Module, cfg):
        super().__init__()
        self.cfg = cfg or draft_config()
        self.fusion = Eagle3FeatureFusion(dim, n_sources=len(self.cfg.feature_blocks))
        self.layer = mtp_layer          # ★ 整个 MTPLayer 复用
        self.lm_head = lm_head          # ★ 共享主模型的 lm_head

    def forward(self, fused: Tensor, next_embeds: Tensor) -> Tensor:
        h = self.layer(fused, next_embeds)   # ★ 调用 MTPLayer.forward
        return self.lm_head(h)


Eagle3Draft 本身没有新的"骨架块"——它只是给 MTPLayer 加了一个前置特征融合层(Eagle3FeatureFusion)。预训练好的 MTP 权重原封不动地被复用,训练时只微调 MTP 层 + 新加的 fusion。

4.5.3 复用点 2:MTPLayer 内部的 4 个子组件

代码:mtp_layer.py:94-108

# MTPLayer 的内部结构
self.h_norm = RMSNorm(dim, eps)              # 主干 hidden 归一化
self.e_norm = RMSNorm(dim, eps)              # 未来 token embed 归一化
self.proj = nn.Linear(2*dim, dim, bias=False)  # 拼接投影
self.block = Kimi3Block(config, layer_idx=cfg.n_layers, use_kda=...)  # 骨架块
self.norm = RMSNorm(dim, eps)                # 输出归一化


EAGLE-3 完全继承这 5 个组件及其预训练权重:

  • h_norm / e_norm:继续用于"主干 hidden 归一化"和"下一 token embed 归一化"
  • proj:继续把 2C 拼接投影回 C
  • block(Kimi3Block):继续作为 attention + MoE 的骨架
  • norm:继续作为输出归一化

0 个组件被替换——这就是"复用"的精确含义。

4.5.4 复用点 3:forward 接口签名完全一致

代码:mtp_layer.py:110-135

def forward(self, hidden: Tensor, next_embeds: Tensor, ...) -> Tensor:
    h = self.proj(torch.cat([self.h_norm(hidden), self.e_norm(next_embeds)], dim=-1))
    h = self.block(h, ...)
    return self.norm(h)


MTP 训练时(model.py 中):

mtp_hidden = self.mtp_layer(
    hidden=backbone_hidden[:, :-1],      # 主干最后隐藏态(去尾)
    next_embeds=embed_tokens(x[:, 1:])   # 下一 token 嵌入
)
mtp_logits = lm_head(mtp_hidden)         # 预测 x[t+2]


EAGLE-3 推理时(eagle3.py:178-180):

def forward(self, fused: Tensor, next_embeds: Tensor) -> Tensor:
    h = self.layer(fused, next_embeds)   # ★ 同样的接口
    return self.lm_head(h)


输入语义完全对应:

MTP 训练时 EAGLE-3 推理时 来源
hidden = backbone_hidden[:, :-1] fused(经 fusion 融合后) 都是"上下文特征"
next_embeds = emb(x[:, 1:]) next_embeds = embed_fn(nxt) 都是"下一 token 嵌入"

4.5.5 新增的部分:Eagle3FeatureFusion

EAGLE-3 唯一新增的组件是 Eagle3FeatureFusion(eagle3.py:73-96):

class Eagle3FeatureFusion(nn.Module):
    def __init__(self, dim: int, n_sources: int = 3):
        super().__init__()
        self.proj = nn.Linear(dim * n_sources, dim, bias=False)
        # 初始化 [0 ... 0 I]:最后一列是单位阵,等价于"只信高层特征"
        self.proj.weight[:, -self.dim:] = torch.eye(self.dim)


作用:把 AttnRes 状态的 3 个块表示(b_0, b_3, b_N,即第 1、4、最后块)融合成 1 个 C 维向量,作为 MTPLayer 的 hidden 输入。

为什么初始化是 [0 0 I]:

  • MTP 预训练时只见过最终隐藏态(相当于"只用最后一个特征")
  • 如果初始 fusion 输出 = 随机混合,会让 MTP 层"瞬间看到陌生分布",训练不稳定
  • [0 0 I] 让初始 fusion 输出严格等于最后一个特征(b_N),MTP 层无缝衔接
  • 训练后 fusion 学到"吸收低/中层特征",平滑过渡

在 Eagle3Draft.draft() 的循环里:

state = fused                          # 初始 hidden(上下文特征)
last = embed_fn(torch.zeros(...))      # 初始 next_embeds(起始符嵌入)
for _ in range(n_steps):
    logits = self.forward(state, last) # ★ 传入 state 和 last
    nxt = logits[:, -1:].argmax(-1)
    last = embed_fn(nxt)               # 下一步的 next_embeds = 刚起草的 token 嵌入
    state = state[:, -1:]              # state 只保留最后一个位置(自回归)


4.5.6 训练数据流(MTP 预训练 → EAGLE-3 微调)

MTP 预训练(backbone 冻结,只训 MTP 层):

MTP 预训练

EAGLE-3 微调(backbone 冻结,只训 MTP 层 + fusion):

EAGLE-3 微调

4.5.7 推理数据流(投机解码)

  • fused(hidden):固定的上下文特征,整个 draft 循环中不变(只在循环外由 backbone + fusion 算一次)
  • next_embeds:每步都变,是"上一步起草的 token 的嵌入"

推理数据流

4.5.8 关键复用量化

组件 MTP 预训练 EAGLE-3 微调 是否复用
MTPLayer.h_norm ✓ ✓ 完全复用
MTPLayer.e_norm ✓ ✓ 完全复用
MTPLayer.proj ✓ ✓ 完全复用
MTPLayer.block (Kimi3Block) ✓ ✓ 完全复用
MTPLayer.norm ✓ ✓ 完全复用
lm_head ✓ ✓ 完全复用(共享主模型)
Eagle3FeatureFusion ✗ ✓ 新增(唯一)
LK loss ✗ ✓ 新增

复用率:MTP 的 5/5 个组件全部复用,EAGLE-3 只新增 1 个 fusion 层。

4.5.9 一句话总结

EAGLE-3 不是"基于 MTP 的灵感重新设计",而是直接把预训练的 MTPLayer 当作草稿模型本体,只在前面加一个特征融合层把 AttnRes 的 3 层块表示融合成 MTP 层能消费的输入——预训练的 MTP 权重原封不动地被复用,训练时只微调 MTP 层 + 新加的 fusion,目标模型始终冻结。

4.6 MTP 与 EAGLE‑3 的差异究竟在哪里?

4.6.1 架构差异:极小 (只多一个线性层)

MTP 层内部:

h_norm → e_norm → cat → proj(2d→d) → Kimi3Block → norm

EAGLE‑3 层内部:

W_E3(3d→d) → 同一个 MTP 层 → lm_head

EAGLE‑3 直接复用 MTP 层的 self.layer, 不新建任何 Transformer 块。唯一新增的是 Eagle3FeatureFusion: 一个 (3*dim, dim) 无 bias 线性层,初值 [0 0 I]。初始化时这个层等于恒等映射,EAGLE‑3 退化为 MTP 本身。

具体如下:

维度 MTPLayer(预训练期) Eagle3Draft(推理 / 微调期)
输入来源 hidden[:, :-1] (骨干最终隐藏态) + emb(x[:, 1:]) (下一 token 嵌入) fused (特征融合后的低 / 中 / 高层混合特征) + next_embeds (上一步草稿 token 的嵌入)
融合方式 h_norm(h) + e_norm(e) → cat → proj(2d→d) Eagle3FeatureFusion: W_E3·[feat_low; feat_mid; feat_high], 初值 [0 0 I]
骨架块 Kimi3Block (MLA + MoE), layer_idx=n_layers 保证稀疏 MoE 复用同一个 MTP 层的 self.layer, 不新建
输出头 隐藏态 → 外部 lm_head (共享主干词表头) self.lm_head(h) (同样是共享主干词表头)
训练目标 cross_entropy(mtp_logits[:, :-1], labels[:, 2:]), 权重 loss_weight=0.3 lk_loss = -log Σ min(p, q) (直接最大化接受率)
训练方式 骨干 + MTP 层联合训练(MTP 梯度反传进骨干) 骨干冻结, 只训 draft 层 + 特征融合投影
推理行为 不直接用于推理 draft() 自回归起草:第一步后草稿消费自己前一步的输出
特征深度 只用骨干最终层隐藏态 取 AttnRes 第 1/4 / 末个块的输出 (低 / 中 / 高层三层特征)
初始化 标准 PyTorch 初始化 W_E3 = [0 0 I]: 初始时融合输出 ≡ 高层特征 (= MTP 预训练输入), 平滑过渡
新增参数 无 (相对于主干) Eagle3FeatureFusion: W_E3 为 (3*dim, dim) 无 bias 线性层

结论:架构几乎相同,差异 ≈ 1 个线性投影层。

4.6.2 训练模式差异:中等

MTP EAGLE‑3
骨干 联合训练, 梯度反传进骨干 冻结, 不动骨干
损失函数 cross_entropy (标准 CE) lk_loss = -log Σ min(p,q) (直接优化接受率)
训练数据 正常预训练语料 目标模型的输出分布 (草稿展开多步自回归)
训练目标 让骨干学到更好的表示 让草稿分布逼近目标分布 (但用 LK 而非 KL)

结论: 训练方式完全不同,但这是 "同一套权重的两种用法", 不是两套独立架构。

4.6.3 思维差异:根本 (这是最核心的差异)

  • MTP 的思维: 我是训练工具。我的存在是为了让骨干 Transformer 学到更好的表示 — 预测 x[t+2] 迫使模型编码更深的上下文,梯度反传回骨干相当于正则化。我预测得准不准不重要,重要的是我的梯度让骨干变强了。
  • EAGLE‑3 的思维: 我是推理工具。骨干已经训练好了 (冻结), 我的任务是快速生成 "足够像目标模型" 的候选 token, 让目标模型批量验证而非逐个生成。我不需要完美,我需要接受率高— 每多一个被接受的 token, 就省一次目标模型前向。

用一句话说:MTP 是 "用多预测一个 token 来让骨干学得更好"。EAGLE‑3 是 "用骨干的多层特征来让自己猜得足够准以加速推理"。同一个层,两种哲学。

4.6.4 差异量级总结

  • 架构差异:极小 (1 个线性层,初始化时退化为 MTP)
  • 训练差异:中等 (冻结 vs 联合,CE vs LK,但权重共享)
  • 思维差异:根本 (训练增强 vs 推理加速,完全不同的目标函数)

所以差异究竟在哪里 — 差异在思维。架构上它们几乎是同一个东西,这正是 K3 设计的精妙之处:一个 MTP 层,预训练时当正则化器用,推理时当草稿模型用,一鱼两吃。

0x05 子知识点深度分析

5.0 共享抽象与统一符号

关键符号:h = backbone 最终隐藏态 (B,T,d);V = 词表大小;MTP 融合输入来自 h[:, :-1] 与 emb(x[:, 1:])(均 (B,T-1,d));W_E3 为特征融合投影 (3d→d);p / q = 目标 / 草稿逐位置分布;r = 接受率;L = draft 草稿步数;λ = loss_weight。

为什么"预测 x[t+2]"而非 "x[t+1]":主模型已在第 t 位预测 x[t+1] 并拿到梯度;MTP 若也预测 x[t+1] 就与主模型重复且无信息增益。MTP 利用 x[t+1] 已知这个前提(teacher-forced),让 backbone 同一隐藏态"多出一个采样点",两个目标在共享隐藏状态上互相给梯度。

统一抽象:投机解码把"目标模型单步前向产 token"抽象成"草稿多步产候选 + 一次 verify 收敛为 1 个以上 token"。所有子知识点共享同一套验证链路:目标打分 → verify → 接受前缀 + bonus。

5.1 子知识点:MTP 层结构(融合 + 一层 backbone 镜像)

5.1.1 要解决的问题

MTP 想解决的,是 NTP 训练"每 token 只有一个监督信号"的信息利用率瓶颈。主干前向一次(93 层)却只为下一步产出 1 个 CE 监督,是昂贵的浪费。我们想在几乎不增加推理成本的前提下,让同一份主干计算同时服务多个未来 token 的预测,从而压榨每步前向的信息量。

5.1.2 技术难点

  1. 不破坏主干:不能为了多预测一步而改动 backbone 本身(否则推理成本上升)。
  2. 标签偏移对齐:多预测一步意味着目标的"相位"要整体后移,极易对错。
  3. 额外的网络开销:加一个头就需要额外一层的前向/反向,训练吞吐会下降。

5.1.3 解决方案总体思路

加一个旁路 MTP 头:它镜像 backbone 的一个块(同样结构、独立参数),读取 h[t] 与 emb(x[t+1]),输出预测 x[t+2]。这样主干一个隐藏态被 loss_lm 和 loss_mtp 两个目标共同训练。训练完这个头不浪费——它是 EAGLE-3 draft 的微调起点。

5.1.4 思路背后的原理

  • 直觉:管理员同时回答"下下本"。
  • 准专业:h = proj(cat(RMSNorm(hidden[:-1]), e_norm(emb(x[1:])))) → 一层注意力+MoE 块 → 输出 norm。所有参数权重独立(Kimi3Block 从零训)。
  • 专家:MTP layer 镜像骨干块(Kimi3Block(layer_kind)),让 draft 训练时"和 backbone 共享同一套注意算子先验",从而微调 EAGLE-3 时收敛快。dense_ffn=False → 稀疏 MoE,与主干浅层之后的分布一致。

5.1.5 架构与类依赖关系

MTPLayer (mtp_layer.py:61)
 ├─ h_norm  RMSNorm(dim)          # :95 隐藏态归一
 ├─ e_norm  RMSNorm(dim)          # :96 嵌入归一
 ├─ proj    Linear(2d→d, bias=F)  # :97 融合投影
 ├─ block   Kimi3Block(config, layer_idx=n_layers, use_kda=(kind=="kda"))  # :105
 │           ├─ attn: KDA 或 MLA   # 依赖 layer_kind
 │           └─ ffn: Dense/MoE     # layer_idx>=n_dense_layers → MoE
 └─ norm    RMSNorm(dim)          # :135 输出归一
依赖:MTPLayer → Kimi3Block → {KimiDeltaAttention | GatedMLA, StableLatentMoE}
      被 Kimi3ForCausalLM.__init__ 实例化(model.py:302)

5.1.6 数据流(张量形状逐步)

hidden (B,T,d)        next_embeds=emb(x[:,1:]) (B,T-1,d)
   │  hidden[:, :-1] (B,T-1,d)     │  [1:] (B,T-1,d)
   ▼ h_norm                        ▼ e_norm
cat ──────────────────────────►  (B,T-1,2d)
   ▼ proj (2d→d)                 (B,T-1,d)
   ▼ block (attn+ffn, 残差)       (B,T-1,d)
   ▼ norm                        (B,T-1,d)  → 喂 lm_head

5.1.7 执行流(时序/调用链)

Kimi3ForCausalLM.forward (model.py:312)
 └─ model.model(tokens) → hidden (B,T,d)
 └─ [if mtp & T>2] self.mtp(hidden[:,:-1], next_embeds, reset_mask, attn_mask)
      → mtp_layer.forward (mtp_layer.py:110)
         h_norm+e_norm → cat → proj → block → norm
 └─ lm_head(h) → mtp_logits (B,T-1,V)

5.1.8 关键类/函数职责表

名称 file:line 输入 → 输出 职责
MTPLayer.__init__ mtp_layer.py:86-108 config → 子层 构建融合 + 骨架块
MTPLayer.forward mtp_layer.py:110-135 (hidden, next_embeds) → (B,T-1,d) 融合 + 一层块变换
MTPLayer.init_cache mtp_layer.py:137-139 batch → cache 探块内注意力类型建缓存
mtp_param_count mtp_layer.py:145-156 dim → int 计算 MTP 额外参数
Kimi3ForCausalLM.__init__ model.py:302 config 条件实例化 self.mtp

5.1.9 代码

# -*- coding: utf-8 -*-
"""Multi-Token Prediction(MTP)头:K3 的双 token 并行预测层。

MTP 对应 K3 技术报告 **§4.1.4(Multi-Token Prediction)** 与 **Table 1**。
主模型每个位置预测 ``x[t+1]``,MTP 层额外读上一步的隐藏态与下一步的嵌入,
预测 ``x[t+2]``,从而让一个训练步同时监督"两 token"。预训练完成后,这层
正是 EAGLE-3 草案模型(speculative decoding 草稿)的微调起点。

kimi3-master 结构(kimi3/model.py:237-265):

    MTPLayer:
      h_norm = RMSNorm(dim)            # 归一化 backbone 隐藏态 h[t]
      e_norm = RMSNorm(dim)           # 归一化被预测 token 的嵌入 emb(x[t+1])
      proj   = Linear(2*dim, dim, bias=False)   # 拼接后投影回 dim
      block  = Kimi3Block(...)        # 复用骨架块(dense_ffn=False -> 稀疏 MoE)
      norm   = RMSNorm(dim)           # 顶层输出归一化,喂给 lm_head

  forward(hidden[:, :-1], next_embeds):
      h  = proj( cat([ h_norm(hidden), e_norm(next_embeds) ], dim=-1) )
      h  = h + block.attend(h)
      h  = h + block.feed_forward(h).hidden
      return norm(h)

本项目 ``Kimi3Block`` 的 forward 接口是 ``x + attn + ffn`` 一体化(紧
``Kimi3Block.forward``),与官方的 ``attend(...)``/``feed_forward(...)`` 分离接口
等价:MTP 层直接复用 ``Kimi3Block(config, layer_idx, use_kda=...)`` 即可,
``layer_idx >= n_dense_layers`` 保证 FFN 走稀疏 MoE(官方 ``dense_ffn=False``
语义)。

与训练相关的偏移语义(决定答案在哪一位):
  - 输入 ``hidden`` 是 backbone 的最终隐藏态 ``(B, T, D)``,第 t 个位置刻画
    输入 token ``x[t]`` 及其上文;
  - 输入 ``next_embeds = embed_tokens(x[:, 1:])``(shift 一位的嵌入);
  - 拼接投影后逐位置融合,经过一个骨架块,输出 ``(B, T-1, C)``,其第 t 个
    位置预测 ``x[t+2]``(t+1 的嵌入已知,故天然快一拍)。
  - ``Kimi3ForCausalLM._mtp_loss`` 里用 ``labels[:, 2:]`` 对齐这个输出
    (见 model.py / mtp 集成)。

数值注意:kimi3-master 与 kimi-k3-pytorch 的 MTP 输出**都要再过一遍
``lm_head``**(共享主模型词表头)。本模块只输出隐藏态;套 lm_head 的循环
由上层 ``Kimi3ForCausalLM`` 完成,与 vision 塔同样的"投影到骨干 dim 后由
主干头接管"的习惯。
"""

class MTPLayer(nn.Module):
    """K3 Multi-Token Prediction 层(对齐 kimi3-master ``MTPLayer``)。

    一个"把第 t 个 backbone 隐藏态与第 t+1 个 token 嵌入融合、预测第 t+2 个
    token"的轻量解码器层。结构与一个正常骨架块一致,但输入来自**拼接**:

    - ``source_hidden``:主干最后一层输出 ``hidden[:, :-1]``
      (``(B, T-1, C)``,丢掉最后一个位置);
    - ``future_embeddings``:``embed_tokens(x[:, 1:])``
      (``(B, T-1, C)``,下一 token 的嵌入)。

    两个输入在**各自 RMSNorm**后拼接成 ``(B, T-1, 2C)``,经无 bias 的
    投影融合回 ``C`` 维,再过一个骨架块(注意力 + MoE),最后再 RMSNorm,
    得到 ``(B, T-1, C)`` 的 MTP 隐藏态。上层接 lm_head 得到 ``x[t+2]`` 的
    logits。

    为什么 h 与 e 要**分开归一化后再拼接**(而不是拼了再规范化):
    拼接发生在 2C 维,若整体 RMSNorm,两个来源的尺度会互相干扰;先各自
    归一化到单位 RMS,拼接时两边贡献均衡,这正是 kimi3-master
    ``h_norm/e_norm`` 与 kimi-k3-pytorch ``KimiMTPFusion`` 的做法。

    MTP 层可额外接收与骨架一致的 ``reset_mask``/``attn_mask``(在多文档
    打包场景下用)——因为它内部就是 ``Kimi 3Block``,掩码语义自然继承。
    """

    def __init__(self, config: Kimi3Config, layer_kind: Optional[str] = None):
        super().__init__()
        from ..model import Kimi3Block  # 延迟导入,避免循环依赖
        cfg = config.model
        kind = layer_kind or cfg.mtp.layer_kind
        dim = cfg.dim
        eps = cfg.norm_eps

        # ---- 融合子层:各自归一化 + 无 bias 拼接投影 ---------------------
        self.h_norm = RMSNorm(dim, eps)
        self.e_norm = RMSNorm(dim, eps)
        self.proj = nn.Linear(2 * dim, dim, bias=False)

        self.layer_kind = kind
        # ---- 骨架块:复用主干 Kimi3Block --------------------------------
        # layer_idx 越大越能避开 early dense FFN 分支:传 cfg.n_layers 保证
        # “layer_idx >= n_dense_layers”,从而走进 StableLatentMoE 分支
        # (官方 dense_ffn=False -> 稀疏 MoE)。
        # use_kda 由 layer_kind 决定: "kda" -> KDA 注意力,“mla” -> GatedMLA。
        self.block = Kimi3Block(
            config, layer_idx=cfg.n_layers, use_kda=(kind == "kda")
        )
        self.norm = RMSNorm(dim, eps)

    def forward(
        self,
        hidden: Tensor,
        next_embeds: Tensor,
        *,
        reset_mask: Optional[Tensor] = None,
        attn_mask: Optional[Tensor] = None,
    ) -> Tensor:
        """输入 ``hidden``/``next_embeds`` 均为 ``(B, T, C)``,输出 ``(B, T, C)``。

        ``hidden`` 常为主干最终隐藏态 ``h[:, :-1]``,``next_embeds`` 常为
        ``emb(x[:, 1:])``,二者必须等长(commit)。
        """
        b, t, c = hidden.shape
        if next_embeds.shape[:2] != (b, t) or next_embeds.shape[2] != c:
            raise ValueError(
                f"hidden/next_embeds must share shape (B, T, C); got "
                f"{tuple(hidden.shape)} vs {tuple(next_embeds.shape)}"
            )
        if self.h_norm is not None:
            h = self.proj(torch.cat([self.h_norm(hidden), self.e_norm(next_embeds)], dim=-1))
        else:
            h = self.proj(torch.cat([hidden, next_embeds], dim=-1))
        # 骨架块:x + attn(x) + ffn(x)。reset_mask/attn_mask 透传(打包场景)。
        h = self.block(h, reset_mask=reset_mask, attn_mask=attn_mask)
        return self.norm(h)

    def init_cache(self, batch: int, *, device=None, dtype=torch.float32):
        """增量推理 cache:取决于 MTP 块内注意力类型(KDA/MLA)。"""
        return self.block.attn.init_cache(batch, device=device, dtype=dtype)

    def extra_repr(self) -> str:
        return f"layer_kind={self.layer_kind}, proj_bias=False"

def mtp_param_count(config: Kimi3Config) -> int:
    """MTP 层参数量的解析公式(对齐 kimi3-master config.py kda/mla_each)。

    仅计 MTP 层自身的参数(不含主干):3×RMSNorm → ~3*(C+C+C)=3C,
    proj 无 bias 投影 → 2C*C,骨架块(一个 KDA 或一个 MLA + 一个 MoE)。
    精确数字因骨架结构而异,这里给的是一个便于 demo/t 断言的下界:
    proj 一项就是 2C^2。
    """
    cfg = config.model
    dim = cfg.dim
    # proj 占大头 2*dim*dim(无 bias);加上 3 个 RMSNorm gain。
    return 2 * dim * dim + 3 * dim

def mtp_layer_weight_names(config: Kimi3Config) -> list[str]:
    """MTP 层的可学习权重名前缀(用于文档核对与测试断言)。"""
    return [
        "h_norm.weight", "e_norm.weight", "proj.weight",
        "block.attn_norm.weight", "block.ffn_norm.weight", "norm.weight",
    ]

5.1.10 对比基线与实测数据

  • 无 MTP(纯 NTP):每 token 一个监督。
  • MTP:主模型 + 辅助一层,每 token 两个监督。
  • 收益:同一隐藏态被两个目标训练,隐含正则化;lambda_mtp*mtp 公式即 ntp + λ·mtp。代价:每 step 多一次 MTP 层前向/反向。
  • 与外 ev 对比(kimi3-master vs kimi-k-pytorch):
构型 kimi3-master kimi-k3-pytorch 本项目
MTP 交叉层 单块,KDA/MLA(默认 mla) 独立"整组 3×KDA+1×Gated-MLA" 单块(可切 kda/mla)
偏置 全无 bias fusion_bias=False 无 bias
FFN dense_ffn=False→MoE use_dense_ffn=False→StableLatentMoE MoE
loss_weight 0.3 0.1 0.3

5.1.11 反方辩手 / 边界条件

  • a) 最强反对:训练开销大,多 token 预测可能无边际收益。
  • b) 若失败,最可能错:窄模型/少数据上信号饱和,MTP 无额外信息。
  • c) 胜出:数据量大、backbone 容量高(K3 2.8T);失败:超小型任务(教学场景)。
  • d) 更稳健:以极小的 loss_weight(0.1~0.3)起步。
  • e) 受影响方:训练吞吐(每步多一箭)。

5.2 子知识点:偏移对齐(h[t] + emb(x[t+1]) → logits[t]=x[t+2])

5.2.1 要解决的问题

MTP 的输入是"当前隐藏态 + 未来 token 嵌入",输出要预测"更未来的 token"。如果偏移对错,模型会去学错误的目标(比如重复主模型的 x[t+1]),整个 MTP 头形同虚设。

5.2.2 技术难点

  1. 输入侧双 shift:hidden[:, :-1] 与 emb(x[:, 1:]) 要严格错开一位,让"当前位置"恰好看到 x[t+1]。
  2. 输出侧再 shift:logits 与 labels 也要对齐(logits[:, :-1] ↔ labels[:, 2:]),三维形状要逐一核对。
  3. Teacher-forcing 泄漏:直接给模型真实 x[t+1],可能让模型学会"复制"而非"预测"。

5.2.3 解决方案总体思路

利用 teacher-forcing 的"已知 x[t+1]"作为前提:MTP 前向输入 hidden[:, :-1](丢弃最后位置)+ next_emb = emb(x[:,1:])。两层 shift 后,输出第 t 个位置对应"输入第 t 个 backbone 隐藏态 + 第 t+1 个 token 嵌入",因此它已经知道 x[t+1],预测目标 x[t+2]。对齐:logits[:, :-1] ↔ labels[:, 2:]。

5.2.4 思路背后的原理

  • 直觉:告诉助手"我读到了上一本(x[t])和下一本(x[t+1])是什么",让他猜下下本(x[t+2])。
  • 准专业:维度——MTP logits (B,T-1,V),labels2 (B,T-2),前者截掉末尾一位对齐。若错误用 x[t] 的嵌入(无 shift),退化成"预测 x[t+1]",与主模型重复。
  • 专家:这本质是"多步展开 vs teacher-forced 一步"的权衡。多步展开会累积误差且无法并行;teacher-forced 借用真实 token 作为条件,使每个位置的监督互不干扰,是训练期的高效形态(计算形态通识)。

5.2.5 架构与类依赖

无独立类;逻辑在 Kimi3ForCausalLM._mtp_logits(model.py)内完成 shift 与拼接。

5.2.6 数据流

tokens (B,T)         hidden (B,T,d)
   │ x[:,1:]               │ [:, :-1]
   ▼ tok_embed (B,T-1,d)   ▼ (B,T-1,d)
   └──→ MTPLayer ──► (B,T-1,d) ──► lm_head ──► mtp_logits (B,T-1,V)
labels (B,T) → [:,2:] (B,T-2)  对齐 logits[:, :-1] (B,T-2,V)

5.2.7 执行流

model.forward (model.py:341, 当 labels 且 T>2)
 └─ mtp_loss = self._mtp_loss(hidden, tokens, labels, doc_ids)   # :351
      └─ logits = self._mtp_logits(hidden, tokens, doc_ids)      # :408
      └─ CE(logits[:, :-1], labels[:, 2:], ignore_index=-100)    # :411-415

5.2.8 关键函数职责表

名称 file:line 输入 → 输出 职责
_mtp_logits model.py:364-393 (hidden,tokens,doc_ids) → (B,T-1,V)/None shift + 融合 + 前向 + lm_head
_mtp_loss model.py:395-415 (hidden,tokens,labels,doc_ids) → loss/None 用 labels[:,2:] 算 CE
doc_masks model.py:24-53 doc_ids → reset/attn mask 多文档打包掩码

5.2.9 代码

class Kimi3ForCausalLM(nn.Module):
    """完整因果语言模型 = Kimi3Model + 共享权重 lm_head。

    - 解码路径核心接口:
       ``init_caches(batch)`` 建每 block 缓存 → ``forward(tokens, caches)`` 增量前向
       → ``generate(...)`` 生成新 token。
    """

    def __init__(self, config: Kimi3Config):
        super().__init__()
        self.model = Kimi3Model(config)
        self.lm_head = nn.Linear(config.model.dim, config.model.vocab_size, bias=False)
        # 用户后可结合的 Transformer 惯例:lm_head 通常权重与 token embedding 绑定。
        # 本项目是独立权重(un-tied),注释备注以便后续可切换到绑。
        self._gradient_checkpointing = False
        # ---- Multi-Token Prediction 头---------------------------
        # 官方 kimi3-master:`self.mtp = MTPLayer(model_cfg) if model_cfg.mtp.enabled else None`。
        # MTP 层读 backbone 最终隐藏态 h[t] + emb(x[t+1]),预测 x[t+2];
        # 预训练完成后即为 EAGLE-3 草稿模型的微调起点。
        self.mtp = MTPLayer(config) if config.model.mtp.enabled else None

    def forward(
        self,
        tokens: Tensor,
        doc_ids: Optional[Tensor] = None,
        caches: Optional[list] = None,
        labels: Optional[Tensor] = None,
        return_hidden: bool = False,
        return_mtp: bool = False,
    ):
        """forward:核心逻辑在 ``Kimi3Model.forward``,这里只加输出头。

        ``tokens`` 若是一次预填整段(prefill),输出是 ``(batch, seq, vocab)``;
        若解码时逐 token 增量,则 ``tokens`` 形状 ``(batch, 1)``,输出相应为
        ``(batch, 1, vocab)``——历史信息全都藏在 ``caches`` 里。

        可选 MTP 训练(对齐 kimi3-master forward):传入 ``labels`` 时计算
        LM 损失,并(若本模型配有 MTP 层)叠加 MTP 损失,最终返回一个
        ``dict``(键 ``logits``/``loss``/``lm_loss``/``mtp_loss``/``hidden``)。
        不传 ``labels`` 时行为与旧接口一致:只返回 logits 张量(避免破坏
        现有调用方与测试)。

        ``labels`` 语义:与 HF 相同,逐位置 ground truth token id;
        ``-100`` 的位置不参与损失。主模型 logits 第 t 位预测 ``labels[:, 1:]``
        第 t 位(shift 一位)。MTP 层的预测目标再次 shift:MTP logits 第 t 位
        预测 ``tokens[t+2]``,对齐 ``labels[:, 2:]``。
        """
        h = self.model(tokens, doc_ids=doc_ids, caches=caches)
        logits = self.lm_head(h)

        if labels is not None:
            b, t = tokens.shape
            lm_loss = F.cross_entropy(
                logits[:, :-1].reshape(-1, logits.shape[-1]).float(),
                labels[:, 1:].reshape(-1),
                ignore_index=-100,
            )
            loss = lm_loss
            mtp_loss = None
            if self.mtp is not None and t > 2:
                mtp_loss = self._mtp_loss(h, tokens, labels, doc_ids)
                loss = loss + self.model.config.model.mtp.loss_weight * mtp_loss
            return {
                "logits": logits,
                "loss": loss,
                "lm_loss": lm_loss,
                "mtp_loss": mtp_loss,
                "hidden": h if return_hidden else None,
                "mtp_logits": self._mtp_logits(h, tokens, doc_ids) if return_mtp else None,
            }

        return logits

    def _mtp_logits(
        self,
        hidden: Tensor,
        tokens: Tensor,
        doc_ids: Optional[Tensor] = None,
    ) -> Optional[Tensor]:
        """MTP 层前向,输出 ``x[t+2]`` 的 logits ``(batch, t-1, vocab)``。

        对齐 kimi3-master ``model.py:_mtp_loss``:取 hidden[:, :-1]、
        next_embeds = embed_tokens(tokens[:, 1:]),MTP 层内每位置融合
        ``h[t] + emb(x[t+1])`` 预测 ``x[t+2]``,再经 lm_head 得到 logits。
        若 MTP 层禁用(``self.mtp is None``)返回 None。

        ``labels`` 的对应:MTP logits 第 t 位预测 ``x[t+2]``,所以训练目标
        用 ``labels[:, 2:]``。shape: logits (B, T-1, V),labels2 = (B, T-2, V),
        前者需再取 ``[:-1]`` 对齐(kimi3-master 正是这么做的)。
        """
        if self.mtp is None:
            return None
        b, t = hidden.shape[0], tokens.shape[1]
        if t <= 2:
            return None
        reset_mask, attn_mask = doc_masks(
            None if doc_ids is None else doc_ids[:, :-1], t - 1, hidden.device
        )
        next_embeds = self.model.tok_embed(tokens[:, 1:])
        h = self.mtp(
            hidden[:, :-1], next_embeds, reset_mask=reset_mask, attn_mask=attn_mask
        )
        return self.lm_head(h)

    def _mtp_loss(
        self,
        hidden: Tensor,
        tokens: Tensor,
        labels: Tensor,
        doc_ids: Optional[Tensor] = None,
    ) -> Optional[Tensor]:
        """MTP 损失(预测 x[t+2] 的交叉熵),供训练管线单独调用。

        与 kimi3-master ``_mtp_loss`` 一致:
        ``F.cross_entropy(mtp_logits[:, :-1], labels[:, 2:], ignore_index=-100)``。
        返回 None 当 MTP 层禁用或序列过短。
        """
        logits = self._mtp_logits(hidden, tokens, doc_ids)
        if logits is None:
            return None
        return F.cross_entropy(
            logits[:, :-1].reshape(-1, logits.shape[-1]).float(),
            labels[:, 2:].reshape(-1),
            ignore_index=-100,
        )              

5.2.10 对比基线与实测数据

model.py:362-411 + discussion.py:E4 验证:更换 next_emb 为不对齐的嵌入,MTP logits 平均 |Δ|=0.5494(对 x[t+1] 极敏感),确认对齐语义无误;输出形状 (B=2, T-1=7, V=64)(实测)。

5.2.11 反方辩手 / 边界条件

  • a) 最强反对:teacher-forcing 泄漏——x[t+1] 的正确性直接炒作结果,无需真的"下一步"全模型。
  • b) 失败点:模型可能只学"复制 x[t+1] 到 x[t+2]"而非语义预测。
  • c) 胜出:若 x[t+1] 嵌入携带大量语义上下文;失败:训练只有大量不相干位置。
  • d) 更稳健:MTP 的输入可与 X 后对换正则(未来 research)。
  • 完成度:已实现并运行通过(E4 实测回填)。

5.3 子知识点:EAGLE-3 特征融合 [0 0 I]

  • "特征融合"= 把目标模型低/中/高三层隐藏表示拼起压回 d 维作为草稿输入。
  • [0 0 I] 是 W_E3 初值:W_E3=[0|0|I] → 初始 fused=high(MTP 预训练输入),避免微调起步扰动。
  • "选三个"现在唯一在 Eagle3Draft.fuse(),由 DraftConfig.feature_blocks=(0,3,-1) 驱动;eagle3_feature_stack 只摊平不选择。
  • 实测(E2):[0 0 I] 初值 error=0 且恒 0;随机/全零有初始扰动后收敛。

5.3.1 要解决的问题

草稿模型要"猜得快且像"目标。它需要的输入,比目标 lm_head 消费的 high(最终隐藏态)信息更完整——high 为了预测下一 token 已高度压缩,丢掉了拼写、常见搭配、格式模板等表层线索。这些线索在低/中层还活着。所以草稿需要一个"多深度融合"的视图。

5.3.2 技术难点

  1. 选哪些层:93 层骨干可选出口很多,选多了冗余、选少了缺信息。
  2. 融合初值:草稿是从预训练 MTP 层微调来的,MTP 层只见过 high 这个输入分布。若 W_E3 随机初始化,EAGLE-3 微调第一步草稿就收到从未见过的输入,预训练学到的东西瞬间失效。
  3. 层间尺度:不同深度特征的尺度差异大,直接拼接会被大尺度者主导。

5.3.3 解决方案总体思路

取低/中/高三个出口(第 1 / 第 4 / 末个 AttnRes 块,feature_blocks=(0,3,-1)),cat 后过无 bias 投影 W_E3: 3d→d。W_E3 初值设为 [0 0 I]:最后 d 列单位阵、前 2d 全零 → 初始时 fuse 输出 ≡ 高层特征,即 MTP 预训练时的输入。训练逐步学用低/中,避免起步扰动。

5.3.4 思路背后的原理

  • 直觉:顾问起步只信"最高层摘要",再学会翻"低层笔记",而不是上来就乱翻把所有笔记搅在一起。
  • 准专业:W_E3 = [ 0_{d×d} | 0_{d×d} | I_{d×d} ] → fused = W_E3·[low;mid;high] = high。训练后低/中列学到非零值,融合才开始吸收低/中信息。
  • 专家:这是"平滑扩展模型输入"的通用技巧(同类思想:ControlNet 的零卷积、LoRA 的 B=0 初始化、K3 MTP 的 residual 结构)。[0 0 I] 保证微调第 0 步完全无扰动,由梯度自己决定"要不要、以多大权重"把低/中掺进来。

5.3.5 架构与类依赖

Eagle3FeatureFusion (eagle3.py:73)
 ├─ proj Linear(dim*n_sources → dim, bias=False)   # :84
 └─ reset_parameters()   # :87-91  权重置零,末 dim 列置单位阵
依赖:被 Eagle3Draft.fusion 持有;Eagle3Draft.fuse (eagle3.py:167-168)
      按 DraftConfig.feature_blocks 选源 → fusion
      源由 eagle3_feature_stack (eagle3.py:104) 摊平 AttnResState 提供

5.3.6 数据流

AttnResState → eagle3_feature_stack(state) → [b0,b1,...,bN]   # 摊平全部
     ↓ DraftConfig.feature_blocks=(0,3,-1)
Eagle3Draft.fuse → [b0, b3, bN] → cat (B,T,3d) → W_E3 (B,T,d)



5.3.7 执行流

SpeculativeDecoder._features (speculative.py:347-349)
 └─ state = model.model._attn_res_state      # 仅 attn_res.enabled 时有
 └─ _extract_features (speculative.py:281-296)
      ├─ AttnRes 有: eagle3_feature_stack(state, picks=None)  # 摊平
      └─ 无: [hidden]*5   # 教学回退
 └─ _fused → draft.fuse(feats)   # 选 (0,3,-1) + W_E3



5.3.8 关键类/函数职责表

名称 file:line 输入 → 输出 职责
Eagle3FeatureFusion.reset_parameters eagle3.py:87-91 — 置 [0 0 I] 初值
Eagle3FeatureFusion.forward eagle3.py:93-96 features → (B,T,d) cat + 投影
eagle3_feature_stack eagle3.py:104-134 state, picks=None → list 摊平不选择(V3 修复)
Eagle3Draft.fuse eagle3.py:167-168 block_features → (B,T,d) 唯一选择点 + 融合
_extract_features speculative.py:281-296 (model,hidden,state) → list AttnRes 摊平 / 回退

5.3.9 代码

class FeatureFusion(nn.Module):
    """Bias-free ``W_E3``, initialised ``[0 0 I]``."""

    def __init__(self, dim: int, n_sources: int = 3):
        super().__init__()
        self.dim = dim
        self.n_sources = n_sources
        self.proj = nn.Linear(dim * n_sources, dim, bias=False)
        self.reset_parameters()

    def reset_parameters(self) -> None:
        with torch.no_grad():
            self.proj.weight.zero_()
            # [0 ... 0 I]: the last source (the high-level feature) passes through.
            self.proj.weight[:, -self.dim:] = torch.eye(self.dim)

    def forward(self, features: list[Tensor]) -> Tensor:
        if len(features) != self.n_sources:
            raise ValueError(f"expected {self.n_sources} feature sources")
        return self.proj(torch.cat(features, dim=-1))

@dataclass
class DraftConfig:
    #: Training-time unroll length (the paper's test protocol).
    unroll_steps: int = 7
    #: AttnRes blocks the fused features are taken from.
    feature_blocks: tuple[int, int, int] = (0, 3, -1)
    #: MoE expert weights in MXFP4 with MXFP8 input activations (section 4.1.4).
    qat: bool = True

class Eagle3Draft(nn.Module):
    """Draft model fine-tuned from the pre-trained MTP layer."""

    def __init__(self, mtp_layer: nn.Module, dim: int, lm_head: nn.Module,
                 cfg: DraftConfig | None = None):
        super().__init__()
        self.cfg = cfg or DraftConfig()
        self.fusion = FeatureFusion(dim, n_sources=len(self.cfg.feature_blocks))
        self.layer = mtp_layer
        self.lm_head = lm_head

    def fuse(self, block_features: list[Tensor]) -> Tensor:
        picked = [block_features[i] for i in self.cfg.feature_blocks]
        return self.fusion(picked)

    def forward(self, fused: Tensor, next_embeds: Tensor) -> Tensor:
        h = self.layer(fused, next_embeds)
        return self.lm_head(h)

    @torch.no_grad()
    def draft(
        self, fused: Tensor, embed_fn, *, n_steps: int | None = None
    ) -> tuple[Tensor, Tensor]:
        """Autoregressive drafting: after the first step the draft consumes its
        own outputs, exactly as at inference."""
        n_steps = n_steps or self.cfg.unroll_steps
        tokens, logits_out = [], []
        state = fused
        last = embed_fn(torch.zeros(fused.shape[:2], dtype=torch.long, device=fused.device))
        for _ in range(n_steps):
            logits = self.forward(state, last)
            nxt = logits[:, -1:].argmax(-1)
            tokens.append(nxt)
            logits_out.append(logits[:, -1:])
            last = embed_fn(nxt)
            state = state[:, -1:]
        return torch.cat(tokens, dim=1), torch.cat(logits_out, dim=1)

def speedup_from_acceptance(rate: float, draft_len: int) -> float:
    """Expected tokens per target forward under lossless speculative sampling."""
    if rate >= 1.0:
        return float(draft_len + 1)
    return (1.0 - rate ** (draft_len + 1)) / (1.0 - rate)




Q1. 有 Kimi3ForCausalLM × Eagle3Draft 协作的 demo 吗?verify 代码在哪?

现在有:

  • src/models/llm/kimi_k3/mtp/speculative.py:verify_tokens(判据)、SpeculativeDecoder(端到端循环)、RecomputeBackend/CacheRollbackBackend(两打分路径)。
  • experiments/mtp/eagle3_demo.py:跑真实模型循环,实测接受率与 tokens/forward。
  • tests/mtp/test_speculative.py:10 项,含"Recompute vs Rollback 逐 token 一致"的回滚正确性证明。
  • 设计动机:kimi3-master/serve/eagle3.py 没有 verify,故自研扩展。实测 lossless 接受率 0.13、tokens/forward 1.389。

Q2. 如何获取出那三层?

[0 0 I] 是 Eagle3FeatureFusion.proj(一个无 bias 的 W_E3: 3d → d)的初始权重,作用是初始化时让融合输出恒等于高层特征 h_h。

具体含义如下:

W_E3 ∈ ℝ^{d×3d} 被分块成 [W_low | W_mid | W_high],初始化令:

  • W_low = 0
  • W_mid = 0
  • W_high = I(单位阵)→ eagle3.py:91

因此初始前向:

fuse([h_l, h_m, h_h]) = [0 0 I] @ [h_l; h_m; h_h] = h_h

即 忽略低/中层特征,只透传高层特征——这正是 MTP 预训练时的输入分布,所以微调起步无扰动,之后模型再逐步学习吸收低/中层。

这三个特征从哪来 / 怎么生成

由 eagle3_feature_stack (eagle3.py:103) 配合 DraftConfig.feature_blocks=(0, 3, -1) 提供:

  1. 生成来源:主干 Kimi3ForCausalLM 前向期间,AttentionResiduals 每完成一个块就把输出折叠进 AttnResState.blocks,sources() 摊平成 [embedding, block_1, ..., block_N]。
  2. 选择:Eagle3Draft.fuse() (eagle3.py:175) 按 (0, 3, -1) 从该列表挑三块——第 1 块、第 4 块、最后一块 AttnRes 输出,分别对应低/中/高层语义。
  3. FeatureFusion 获取:三个 (B,T,d) 张量沿最后一维 cat 成 (B,T,3d),经 W_E3 投影回 (B,T,d),作为草稿层 MTPLayer 的输入(eagle3.py:178)。

一句话:[0 0 I] 让 EAGLE-3 起步时等价于"只用目标模型最后一层特征"的 MTP,之后通过 LK 损失学习把 W_low/W_mid 从 0 调整为非零。

Q3. AttentionResiduals 如何生成?

在 Kimi3Model 的前向传播中,会用 self.attn_res.add_output(self._attn_res_state, h) 往self._attn_res_state 中增加模型每层生成的中间状态。

state = model.model._attn_res_state  # AttnResState 对象
feats_all = eagle3_feature_stack(state, picks=None)   # speculative.py:291


Q4. 给出一个真实样例

真实调用链(来自 speculative.py:355 和 test_eagle3_integration.py)

# ============ 1) 目标模型前向,副作用产生 AttnResState ============
model = Kimi3ForCausalLM(cfg)        # 主干
out = model(input_ids)               # 前向时 AttentionResiduals 在内部
                                     # 维护 model.model._attn_res_state

# ============ 2) 从 AttnResState 摊平成"可读源列表" ============
state = model.model._attn_res_state  # AttnResState 对象
feats_all = eagle3_feature_stack(state, picks=None)   # speculative.py:291
# feats_all 是 List[Tensor],长度 = n_blocks + 1
# feats_all[0] = token embedding
# feats_all[1] = 第 1 个 AttnRes 块完成时的塌缩表示
# feats_all[2] = 第 2 个 AttnRes 块塌缩
# ...
# feats_all[N] = 最后一个块(高层语义)
# 每项 shape = (B, T, d)

# ============ 3) 按 (0, 3, -1) 选三块 ============
draft = Eagle3Draft(model.mtp, dim=cfg.model.dim, lm_head=model.lm_head)
# DraftConfig.feature_blocks = (0, 3, -1)
h_l = feats_all[0]    # 低层:第 0 块 = token embedding
h_m = feats_all[3]    # 中层:第 3 块
h_h = feats_all[-1]   # 高层:最后一块
# 这三个就是 [h_l; h_m; h_h],每个 shape (B, T, d)

# ============ 4) Eagle3FeatureFusion.forward 收到什么 ============
# draft.fuse(feats_all) 内部:
#   selected = [feats_all[0], feats_all[3], feats_all[-1]]     # eagle3.py:176
#   return self.fusion(selected)
# fusion.forward 里:
#   cat([h_l, h_m, h_h], dim=-1)  -> shape (B, T, 3d)
#   self.proj(...)                -> Linear(3d -> d, bias=False)
#   输出 fused (B, T, d)


一个真实测试例(test_eagle3_integration.py:60-71)

fusion = Eagle3FeatureFusion(C=64, n_sources=3)
feats  = [torch.randn(2, 3, 64) for _ in range(3)]
#        ↑ h_l (2,3,64)   ↑ h_m (2,3,64)   ↑ h_h (2,3,64)
fused  = fusion(feats)
# 内部:torch.cat(feats, dim=-1) -> (2,3,192)
#       proj: Linear(192 -> 64, bias=False)
#       初始 W = [0_{64×64} | 0_{64×64} | I_{64×64}]
#       故 fused == feats[2] == h_h
assert torch.allclose(fused, feats[2])     # 通过 —— 这就是 [0 0 I] 的效果



端到端(带真实模型,见 test_eagle3_integration.py:74)

cfg   = small_cfg(mtp=MTPConfig(enabled=True, layer_kind="mla"))
model = Kimi3ForCausalLM(cfg)
draft = Eagle3Draft(model.mtp, cfg.model.dim, model.lm_head)

# 模拟 AttnRes 攒了 5 个块
feats = [torch.randn(2, 4, 64) for _ in range(5)]
fused = draft.fuse(feats)              # 内部挑 [0],[3],[4],cat 成 (2,4,192)
                                       # proj -> (2,4,64)
# fused 喂给 MTP 层做草稿自回归
toks, logits = draft.draft(fused, model.model.tok_embed, n_steps=3)



关键点

  • h_l / h_m / h_h 不是三层隐藏状态——是 AttnResState.blocks 列表里索引 0、3、-1 的"块塌缩表示"(每个块是若干子层输出的累加和,attn_res.py:189-194)。
  • blocks[0] 永远是 token embedding(attn_res.py:155),所以"低层"实际就是词嵌入。
  • 生成方式:主干前向时,每完成一个 AttnRes 块,add_output 把 partial 追加进 blocks——这是前向的副作用,无需额外计算。
  • FeatureFusion 拿到的输入:三个 (B,T,d) 张量的列表,forward 里 torch.cat(dim=-1) 拼成 (B,T,3d) 一次性过 Linear(3d→d, bias=False)。

5.3.10 对比基线与实测数据

  • 直接只用高层特征:简单、无扰动,但不用低层信息。
  • [0 0 I] 融合:在"零扰动起点"和"可用多层信息"之间平滑过渡。
  • discussion.py:E2 实测:[0 0 I] 起步 error=0 且保持 0;随机起步初始 error 1.3484 → 0.0010;全零起步 1.0393 → 0.0007(训练目标=高层恒等,60 步 Adam)。证明零扰动优势。

5.3.11 反方辩手 / 边界条件

  • a) 反对:低/中层特征到底有没有用未知,可能就是噪音,白加参数。

  • b) 若失败:低中层特征与高层冗余或与预测不相关。

  • c) 胜出:draft 需要在"已见上下文"处更细粒度;失败:浅层特征与目标无关。

  • d) 更稳健:学到的 W_E3 若趋于 [0 0 I],则模型自己选择只用高层=自动关闭低层。

  • 完成度:已实现并运行通过(E2 实测回填)。


5.4 子知识点:LK 损失(EAGLE-3 训练目标)

5.4.1 要解决的问题

投机解码的加速比 ∝ 逐 token 接受率 Σ_x min(p,q)。草稿模型的训练目标应该直接最大化这个接受率,而不是用一个"看起来相关但实际脱节"的代理。

5.4.2 技术难点

  1. 代理失效:常规的 KL 最小化对容量受限的草稿模型,不保证最大化接受率——它可能让草稿越来越"保守"而不是越来越像 p 的峰值。
  2. 梯度稀疏:log Σ min 这类目标在高置信处梯度可能很稀,收敛慢。

5.4.3 解决方案总体思路

直接优化 L_LK = -log Σ_x min(p(x), q(x)),温度 1、无 CE 辅助项。它正是接受率的负对数——优化目标与推理加速的度量直接对齐,而非代理。

paper-LK-loss

5.4.4 思路背后的原理

  • 直觉:与其学"一个像样的分布",不如直接学"猜中被接受的概率最大"。
  • 准专业:p=目标分布、q=草稿分布;Σ_x min(p,q) 是两分布的"重叠量"(acceptance)。取其负对数作为损失,最小化它即最大化重叠。
  • 专家:论文指出,对容量受限 draft,KL 最小化不能保证最大化接受率;LK 损失把"优化目标"和"推理加速比"绑定,是"端到端对齐"的体现。

5.4.5 详细分析原理

KL 散度(标准正向 KL:\(D_{KL}(q \parallel p)=\sum q\log\frac{q}{p})\)是 mode-seeking(寻找目标分布峰值);但当草稿模型q容量受限(参数量 / 表达能力不足,没法完整拟合真实分布p),最小化正向 KL 会出现保守效应:q会避开所有p有概率但q没法建模的区域,宁愿压低整体分布、只在少数安全区域输出概率,而不是去对齐p的高概率峰值,最终投机解码(speculative decoding)的 token 接受率上不去。

符号约定: p:大目标模型(Target,真实分布) q:容量受限的草稿模型(Draft)

正向 KL 最小化的数学行为

正向 KL:\(D_{KL}(q \parallel p)=\mathbb{E}_{q}\big[\log q-\log p\big]\) 损失最小化等价于:惩罚 q 在 q 自己采样出来的位置上,和 p 不一致。

  • 如果q某个位置分配概率,但p在这里概率很低 → 损失暴涨,模型会把这个位置的概率压到接近 0。
  • 但反过来:p 有很高概率、q 没有能力建模的区域,KL 不会惩罚。 也就是:(p(x)\gg0),但(q(x)=0),这一项在 KL 求和里直接消失,没有损失。

👉 后果:容量不够时,q发现自己无法覆盖p全部高概率区域,最优解就是切掉所有拿不准的候选 token,只保留极少数它非常确定的 token。 也就是变保守:输出分布很尖,但候选集合太小,很多p真正想要的峰值 token 被直接置零;草稿模型采样出来的 token,即便 q 很自信,也不是 p 的完整峰值集合,投机接受率无法最大化。

和反向 KL 对比(方便理解)

反向 KL:\(D_{KL}(p\parallel q)=\mathbb{E}_{p}\big[\log p-\log q\big]\) 最小化反向 KL:惩罚 p 高概率区域里 q 低估的地方。 只要(p(x))大,就强制(q(x))不能太小。

反向 KL 是 mode-covering,会强制 q 去拟合 p 的所有峰值;代价是容易在 p 低概率处分配多余概率(产生幻觉候选)。

放到投机解码(草稿模型)场景

投机解码目标:最大化草稿 token 被大模型接受的概率。 要最大化接受率,理想草稿q应该满足:q的高概率集合,尽量覆盖p的高概率峰值集合。

但用正向 KL 训练受限容量草稿模型:

  1. 草稿容量不足,没办法同时建模 p 所有峰值;
  2. 最小正向 KL 的最优策略:放弃一部分 p 的峰值,直接把这些 token 概率归零;
  3. 草稿只保留一小部分最稳妥 token,分布变得保守;
  4. 虽然 q 在自己保留的 token 上和 p 很接近,但漏掉了大量 p 的峰值候选;
  5. 采样出来的草稿序列,命中 p 接受 token 的概率并不会最高。

关键点区分: 正向 KL 最小化 ≠ 最大化接受率。 正向 KL 优化目标是分布距离;投机接受率是另一个非对称的离散指标,二者目标空间不一致。当模型有表达瓶颈时,目标函数会走捷径,走向保守,而不是对齐 p 峰值。

简单例子(token-level)

假设下一个 token 真实分布p:A:0.5, B:0.4, C:0.1 草稿模型容量有限,最多只能表达 2 个 token。

  • 正向 KL 最小化:最优策略是删掉 B,输出A:0.99, C:0.01。避开 B,因为模型学不好 B,B 会带来巨大 KL 损失。分布保守,采样几乎只有 A。但 p 有 40% 概率选 B,草稿永远不会生成 B,大量机会丢失 → 接受率上不去。
  • 如果是反向 KL:会强制 q 覆盖 A、B 两个高概率峰,输出A:0.55, B:0.45。草稿会采样 A/B,恰好是 p 的两个主峰,投机接受率更高。
一句话总结这个现象

容量受限下最小正向 KL,草稿模型会主动舍弃目标分布里难以建模的高概率峰,消除风险项来降低 KL 损失,表现为输出分布保守;但投机接受率依赖草稿能覆盖目标分布主峰,所以正向 KL 优化无法保证最大化接受率。

5.4.6 架构与类依赖

无独立类;lk_loss(eagle3.py:63-70)与 acceptance_rate(eagle3.py:58-60)为纯函数,被训练管线调用。

5.4.7 数据流

target_logits (B,T,V)  draft_logits (B,T,V)
   ▼ softmax                ▼ softmax
 p (B,T,V)               q (B,T,V)
   └─→ min(p,q) → sum(-1) → -log → mean   # lk_loss (eagle3.py:63-70)




5.4.8 执行流

训练: loss = lk_loss(target_logits, draft_logits)
  └─ p=softmax(target); q=softmax(draft)
  └─ return -log(acceptance_rate(p,q).clamp_min(1e-9)).mean()




5.4.9 关键函数职责表

名称 file:line 输入 → 输出 职责
acceptance_rate eagle3.py:58-60 (p,q) → (B,) Σ_x min(p,q)
lk_loss eagle3.py:63-70 (target,draft logits) → scalar -log Σ min

5.4.10 代码

def acceptance_rate(p: Tensor, q: Tensor) -> Tensor:
    """``sum_x min(p(x), q(x))`` -- the quantity speculative decoding's speedup
    is proportional to."""
    return torch.minimum(p, q).sum(-1)


def lk_loss(target_logits: Tensor, draft_logits: Tensor) -> Tensor:
    """Eq. 16, at temperature 1.

    Directly the negative log acceptance rate, with no ground-truth
    cross-entropy term -- optimising the thing that actually determines the
    speedup instead of a surrogate for it.
    """
    p = torch.softmax(target_logits.float(), dim=-1)
    q = torch.softmax(draft_logits.float(), dim=-1)
    return -torch.log(acceptance_rate(p, q).clamp_min(1e-9)).mean()



5.4.11 对比基线与实测数据

  • KL(f ‖ q)(surrogate):最小化边际奖励,可越来越"保守"而非越像 p 的峰值。
  • L_K(直接接受率):优化目标和推理加速的正比关系直接对齐。
  • test_mtp.py 中 lk_loss(p,q)=0 当 p=q,且随分布分歧单调上升(E2 sanity)。

5.4.12 反方辩手 / 边界条件

  • 反对:log Σ min 损失在高分处梯度稀疏,收敛慢?

  • 回应:论文测试(Unroll 7)在真实 K3 draft 上已可训练至收敛;本项目 lk_loss 在 p=q 时为 0、随分布疏离单调上升。

  • 完成度:已实现并运行通过(E2 sanity)。

5.5 子知识点:EAGLE-3 draft 推理(草稿自回归)

5.5.1 要解决的问题

目标模型 93 层每 token 一前向太贵。投机解码想用"每步只花一层"的草稿模型先快速猜 L 个 token,再用一次目标前向核对——省下昂贵的目标前向次数。草稿自回归就是"连续猜 L 个"的实现。

5.5.2 技术难点

  1. 草稿没有目标特征:从第 2 步起,草稿不再有"目标侧特征"可用(最新位置的目标特征要等目标前向才有),只能吃自己上一步的输出——这是递归起草。
  2. 融合输入只来自一步:draft() 每步把 state 缩到最后一位 state[:, -1:],模拟推理时"只有当前位置可用"。
  3. 与 verify 接续:草稿猜完必须交给目标核对,否则没有意义。

5.5.3 解决方案总体思路

草稿自回归 L 步,每步只走一个 MTP 层(很便宜):第 1 步用融合特征 fused + 占位嵌入,之后每步把上一步 argmax token 嵌入作为输入,state 缩到 [:, -1:]。目标 = 一次 93 层前向 verify L+1 个候选。

5.5.4 思路背后的原理

  • 直觉:速读顾问连翻几页,每翻一页只花"一层"的力气,翻完交给主模型一次性核对。
  • 准专业:draft() 循环 L 次,logits = forward(state, last),nxt = argmax,last = embed(nxt),state = state[:, -1:]。
  • 专家:这是"推理期递推形态":草稿从全序列前向(训练)切换为单步递推(推理),因为只有当前位置的分布需要。

5.5.5 架构与类依赖

Eagle3Draft (eagle3.py:146)
 ├─ fusion  Eagle3FeatureFusion
 ├─ layer   MTPLayer(复用)
 ├─ lm_head 目标共享词表头
 └─ draft() (eagle3.py:174-191)   # 自回归
依赖:被 SpeculativeDecoder._run_round 调用(speculative.py:363)



5.5.6 数据流

fused (B,T,d) → 取最后一位
loop L 次:
   forward(state, last) → logits (B,1,V)
   nxt = argmax → (B,1)
   last = embed(nxt); state = state[:, -1:]
返回 tokens (B,L), logits (B,L,V)



5.5.7 执行流

SpeculativeDecoder._run_round (speculative.py:363-370)
 └─ fused = self._fused(hidden)
 └─ draft_tokens, draft_logits = draft.draft(fused, tok_embed, n_steps=L)
      └─ Eagle3Draft.draft (eagle3.py:174-191)



5.5.8 关键函数职责表

名称 file:line 输入 → 输出 职责
Eagle3Draft.forward eagle3.py:170-172 (fused,next_embeds) → logits 单步草稿前向
Eagle3Draft.draft eagle3.py:174-191 (fused, embed_fn, n_steps) → (tokens,logits) 递归起草 L 步

5.5.9 代码

# -*- coding: utf-8 -*-
"""EAGLE-3 草稿模型:从 MTP 层微调出的投机解码 draft(K3 报告 §4.1.4)。

EAGLE-3(extension-3 of the speculative decoding literature)把预训练的 MTP
层当作起点,微调成一个单解码器层式的草稿模型。目标模型冻结,只训草稿层与
特征融合投影。两个关键机制(对齐 kimi3-master ``serve/eagle3.py`` 全文):

1. **特征融合 ``FeatureFusion``**:输入是低/中/高三层特征的拼接(分别取自
   第 1、4、最终 Attention Residuals 块的输出——一个 93 层骨干只有这 3 处
   “深度方向混合”出入口),经一个**无 bias** 的 ``W_E3: 3d -> d`` 投影
   融合。``W_E3`` 初值 ``[0 0 I]``:最后一列是单位阵,于是初始融合输出
   **完全等于高层特征 h_h**——正是 MTP 预训练时的输入;模型从“只信高层”
   逐步学到“吸收低/中层特征”,初始化不引入瞬间扰动。

2. **LK 损失**:投机解码的加速比正比于逐 token 接受率 ``sum_x min(p,q)``
   (p 目标、q 草稿)。用减法 KL 当代理**不能保证**最大化接受率(容量受限的
   草稿模型),故 K3 直接优化权重似然 LK 损失
   ::

       L_LK = -log sum_x min(p(x), q(x))

   温度 1,无 ground-truth CE 项。训练时把草稿展开 7 步:除第一步外(最先前
   位置的“目标侧特征”不可得),草稿消费自己早前步的输出——正是推理期
   循环起草(drafting)的过程的镜像。

特征栈语义(在 main 侧由 ``AttentionResiduals`` 每块输出收集):
- ``eagle3_feature_stack(attn_res_state)``:从 AttnRes 状态缓存里按
  ``(0, 3, -1)``(第 1、第 4、最后)三个 unit 的输出取特征。
  本项目 AttnRes 状态语义:``n_units = 2*n_layers``(每 block 两个 sublayer
  unit)。kimi3-master 里 ``feature_blocks=(0,3,-1)`` 指第 1 / 4 / 末个
  **Attention Residuals 块**的输出。实现上本项目直接给一个通用的
  ``eagle3_feature_stack(state, picks)``:默认 picks 视 n_layers 归一。
"""
class Eagle3FeatureFusion(nn.Module):
    """无 bias 的 ``W_E3``,初始 ``[0 0 I]``(官方 FeatureFusion)。

    ``proj: (n_sources*dim) -> dim``,权重初值前 ``(n_sources-1)*dim`` 列全 0、
    末 ``dim`` 列单位阵。初始化后 ``fuse 输出 ≡ 高层特征``。
    """

    def __init__(self, dim: int, n_sources: int = 3):
        super().__init__()
        self.dim = dim
        self.n_sources = n_sources
        self.proj = nn.Linear(dim * n_sources, dim, bias=False)
        self.reset_parameters()

    def reset_parameters(self) -> None:
        with torch.no_grad():
            self.proj.weight.zero_()
            # [0 ... 0 I]:最后一个源(高层特征)恒等通过。
            self.proj.weight[:, -self.dim:] = torch.eye(self.dim)

    def forward(self, features: Sequence[Tensor]) -> Tensor:
        if len(features) != self.n_sources:
            raise ValueError(f"expected {self.n_sources} feature sources, got {len(features)}")
        return self.proj(torch.cat(list(features), dim=-1))

# 兼容官方命名:FeatureFusion 即 Eagle3FeatureFusion。
FeatureFusion = Eagle3FeatureFusion

@torch.no_grad()
def eagle3_feature_stack(
    state,
    picks: Optional[Sequence[int]] = None,
) -> list[Tensor]:
    """从本项目 AttentionResiduals 状态里摊平 EAGLE-3 可读的特征源列表。

    ``state`` 是 ``Kimi3ForCausalLM`` 前向期间 ``AttentionResiduals`` 的残差
    容器(``modules/attn_res.py::AttnResState``)。本项目 AttnRes 以块(block)
    为单位维持低级表示:``init_state`` 把 token embedding 置为 ``blocks[0]``,
    随后每完成一个块就折叠进 ``blocks``(``add_output``),``sources()`` 返回
    "embedding + 各已完成块表示 + 当前块 partial" 的可读源列表。

    **职责划分(修复 V2 Q5 的重复选择缺陷)**:本函数只负责"把状态对象摊平
    成完整的出口列表",**不做"选哪三层"**;选择唯一保留在
    ``Eagle3Draft.fuse()``(由 ``DraftConfig.feature_blocks`` 单一来源驱动),
    与官方 ``kimi3-master/serve/eagle3.py::fuse`` 一致。因此:

    - ``picks=None``(默认):返回**全部**可读源 ``[b_0, b_1, ..., b_N]``,
      供上层自行选择(推荐用法:先摊平,再按 ``feature_blocks`` 挑)。
    - ``picks`` 非空:为向后兼容仍可在此直接按索引挑选(已弃用,新代码
      不要用,避免与 ``fuse()`` 的选择逻辑互斥串联而越界)。

    返回:特征张量列表,每个形状 ``(B, T, C)``。
    """
    if hasattr(state, "outputs"):  # 通用兼容:直接给输出列表的对象
        seq = list(state.outputs)
    elif hasattr(state, "sources"):
        seq = state.sources()
    elif isinstance(state, (list, tuple)):
        seq = list(state)
    else:
        raise TypeError(f"cannot read feature sources from {type(state)}")
    if picks is None:
        return seq
    n = len(seq)
    idx = [i if i >= 0 else n + i for i in picks]
    if any(i >= n for i in idx) or any(i < 0 for i in idx):
        raise IndexError(f"feature picks {picks} out of range for {n} sources")
    return [seq[i] for i in idx]

class Eagle3Draft(nn.Module):
    """从预训练 MTP 层微调出的草稿模型。

    ``mtp_layer`` 是 MTPLayer(其内部 ``block`` 就是草案层),``lm_head`` 是
    目标模型共享词表头。推理期:每步从目标模型取 ``fused``(特征融合)输入,
    草稿输出 logits [B,1,V],再与目标做接受/拒绝。
    """

    def __init__(
        self,
        mtp_layer: nn.Module,
        dim: int,
        lm_head: nn.Module,
        cfg: DraftConfig | None = None,
    ):
        super().__init__()
        self.cfg = cfg or draft_config()
        self.fusion = Eagle3FeatureFusion(dim, n_sources=len(self.cfg.feature_blocks))
        self.layer = mtp_layer
        self.lm_head = lm_head

    def fuse(self, block_features: Sequence[Tensor]) -> Tensor:
        return self.fusion([block_features[i] for i in self.cfg.feature_blocks])

    def forward(self, fused: Tensor, next_embeds: Tensor) -> Tensor:
        h = self.layer(fused, next_embeds)
        return self.lm_head(h)

    @torch.no_grad()
    def draft(
        self, fused: Tensor, embed_fn: Callable[[Tensor], Tensor],
        *, n_steps: int | None = None,
    ) -> tuple[Tensor, Tensor]:
        """自动回归起草:第一步后草稿吃自己的输出——推理期 draft 的原样。"""
        n_steps = n_steps or self.cfg.unroll_steps
        tokens, logits_out = [], []
        state = fused
        last = embed_fn(torch.zeros(fused.shape[:2], dtype=torch.long, device=fused.device))
        for _ in range(n_steps):
            logits = self.forward(state, last)
            nxt = logits[:, -1:].argmax(-1)
            tokens.append(nxt)
            logits_out.append(logits[:, -1:])
            last = embed_fn(nxt)
            state = state[:, -1:]
        return torch.cat(tokens, dim=1), torch.cat(logits_out, dim=1)


5.5.10 对比基线与实测数据

  • 无投机:每 token 一个目标前向。
  • EAGLE-3:每目标前向平均 1~6+ token(依赖接受率)。
  • speedup_from_acceptance(r=0.8, L=7) = 4.16(理论,E3 表格)。
  • 注意:这是理论上限。草稿猜得对不对要 verify 才算数(§4.6 给实测)。

5.5.11 反方辩手 / 边界条件

  • 反对:草稿本身要训练、要保存模型文件、QAT 复杂。

  • 成功条件:高接受率(r≈0.8+)。

  • 失败条件:草稿未训练好、接受率低,加速比趋近 1。

  • 完成度:已实现并运行通过(draft 全链路测试)。


5.6 子知识点:投机解码 verify 与端到端循环

5.6.1 要解决的问题

草稿 draft() 只是"猜了一串 token",没有任何机制判断这些 token 是否值得接受。没有 verify,投机解码就是空谈——你无法知道该照单全收、部分收、还是全拒。真实加速比也因此无法实测。

5.6.2 技术难点

  1. 接受/拒绝判据:如何在"保留草稿"与"纠正错误"之间无损地权衡(必须保证最终分布 = 目标分布,即 lossless)。
  2. 目标并行打分:目标模型要能一次前向对 L+1 个草稿位置打分,而不是 L+1 次前向。
  3. KDA 状态回滚:KDA 的递推状态 S 被拒绝后无法像 KV cache 那样随意截断——这是 serve/decode.py 那套投影重演机制存在的原因,但两者此前没接起来。
  4. 残差重采样:拒绝时要从残差分布重采 1 个 token,保证无损。

5.6.3 greedy vs lossless

投机采样分为两大阶段:

  1. 小模型(draft model)生成一串候选 draft token;
  2. 大目标模型(target model)做 verify 校验:逐个验证 draft token 是否接受;verify 有两种主流模式:greedy(贪心校验)、lossless(无损校验,也叫 strict 无损)。
核心本质区别
  • greedy verify(贪心校验):校验时,target 模型输出贪心 next token,和 draft 的 token 做比对。只要 draft token 等于 target 贪心输出,就接受该 token;一旦不相等,丢弃后面所有 draft,直接输出 target 的贪心 token,结束本轮 verify。
  • lossless verify(无损校验):严格复现原始论文无损投机采样数学逻辑,不拿贪心输出做比对;直接拿 target 完整概率分布,做概率层面的校验,保证输出分布和原生直接解码完全等价,输出结果 100% 和直接跑 target 模型一模一样,没有任何分布偏移。
token 接受判断逻辑

greedy verify

draft_token_i == target.greedy_token



只对比 target 取 argmax 的那个 token。

风险:target 概率分布里,draft token 不是最大概率,但依然是合法高概率候选;greedy 模式会直接拒绝这个 token,造成不必要截断,引入分布偏差,不是无损。

lossless verify

依据原始投机采样概率接受准则:

\(accept\_prob = \min\left(1,\frac{p_{target}(draft\_token)}{p_{draft}(draft\_token)}\right)\)

按这个概率做随机采样决定是否接受 draft token。

  • 只要满足概率条件就接纳 draft token;
  • 不强制要求 draft token 必须是 target 的 top‑1 贪心 token;
  • 拒绝时,从修正后的 target 分布重新采样下一个 token。
输出一致性
  • greedy verify:❌ 非无损。最终生成文本 ≠ target 原生 greedy 解码。会发生不该截断的时候强行截断,改变输出。速度更快,但结果会偏移。
  • lossless verify:✅ 严格无损。整体生成分布完全等价于直接用 target 模型解码,不会改变模型输出行为,是论文标准。
速度与吞吐量
  1. greedy verify:实现简单,每一步只拿 argmax,很多框架实现不用取出完整概率分布;截断发生更早,平均接受 token 数量更少。
  2. lossless verify:需要拿到 target 完整 token 概率,做比值 + 随机采样;可以接受更多 draft token,单轮 verify 能吞更长 draft 序列,理论上限速度更高;但需要访问完整 logits,算力开销略大。

现实工程:vLLM/SGLang 里投机采样,speculative_algorithm=greedy / lossless。

终止行为
  • greedy verify:只要某一个 draft token≠target 贪心 token,立刻全部丢弃后续 draft tokens,输出 target 贪心 token,本轮 verify 结束。
  • lossless verify:某一个 draft token 被概率拒绝,仅丢弃该位置及之后所有 draft,从 target 校正分布采样 1 个 token,本轮结束;前面已经通过的 token 全部保留。
适用场景

greedy verify

  • 只追求加速,对输出分布一致性没有强要求;
  • 业务本身就是 greedy 解码场景,追求简单、低开销;

注意:即便你外层开启 greedy 解码,投机 verify 用 greedy 模式依然会带来输出不一致。

lossless verify

  • 需要严格保证大模型原有输出效果,不能因为投机采样改变生成内容;
  • 开启 temperature、top‑p 采样场景;
  • 学术复现、对正确性敏感业务。
通俗一句话总结
  • greedy verify:只看大模型最想要的那个 token,draft 对上就收,对不上全部扔掉,快但会改结果。
  • lossless verify:看完整概率,按数学规则随机接纳,不改变大模型原本输出,但计算开销略高,可以接纳更多 draft token。

5.6.4 解决方案总体思路

本项目 speculative.py 提供两层:

  • 纯函数 verify_tokens(speculative.py:73):实现 lossless 判据——u <= p(c)/q(c) 接受,否则从 norm(max(p-q,0)) 重采 bonus 并截断。不碰模型,独立可测。
  • SpeculativeDecoder 端到端循环(speculative.py:329),下挂两条打分后端:
    • RecomputeBackend:每轮无 cache 全序列重跑打分(正确性由构造保证,作 oracle)。
    • CacheRollbackBackend:快照 cache、增量打分,部分接受时恢复快照并重放已接受前缀,CacheRollback 是"真正的"工业形态(增量 + 回滚)。

5.6.5 思路背后的原理

  • 直觉:主模型逐本核对顾问的猜测——猜对收下,猜错自己读一本并退回上一本对的地方。
  • 准专业(lossless 判据):草稿在位置 i 提出 c_i(分布 q_i),目标分布 p_i。采 u~U(0,1):
    • 若 u <= p_i(c_i)/q_i(c_i):接受 c_i;
    • 否则:拒绝,从 norm(max(p_i - q_i, 0)) 重采 1 个 token,截断。每轮产出 = 接受前缀长度 + 1。
  • 专家(为什么 lossless):把"直接从 p 采样"拆成"先看草稿 q 是否给对 + 错了从残差补"两步。只要拒绝分支的重采样分布是 max(p-q,0)/Z,两个分支的加权混合就精确等于 p,逐 token 分布不变——所以叫 lossless。这也是 speedup_from_acceptance 公式成立的严格前提。
  • 为什么两种后端:Recompute 数值正确但 O(T²)(教学 oracle);CacheRollback 是"真正的"工业形态(增量 + 回滚)。两者在固定 seed 下逐 token 一致,正好是回滚正确性的数值证明。

5.6.6 架构与类依赖关系

SpeculativeDecoder (speculative.py:329)
 ├─ draft  Eagle3Draft
 ├─ _run_round (speculative.py:363)      → draft
 ├─ decode_recompute (speculative.py:372)  → RecomputeBackend → 全序列打分
 ├─ decode_rollback (speculative.py:413)   → CacheRollbackBackend + snapshot/restore
 └─ verify_tokens (speculative.py:73)      → 纯函数判据

打分后端:
 RecomputeBackend (speculative.py:264)      model(seq) 全序列
 CacheRollbackBackend (speculative.py:301)  model(tok, caches) 增量 + snapshot/restore

cache 快照(按类型分派,duck-typing):
 snapshot_caches (speculative.py:221) → clone
 restore_caches (speculative.py:237) → KDA/MLA 原地回滚


5.6.7 数据流(张量形状逐步)

tokens (B,T0)
   ▼ model.model(tokens) → hidden (B,T,d)
   ▼ _fused → draft.fuse → fused (B,T,d)
   ▼ draft.draft → draft_tokens (B,L), draft_logits (B,L,V)
   ▼ 目标打分
      Recompute: cand=cat([tokens,draft_tokens]) (B,T+L) → model → logits (B,T+L,V)
                 取 [:, T:T+L] → tgt_draft (B,L,V)
      Rollback:  逐 token score_token → tgt_draft (B,L,V)
   ▼ verify_tokens(tgt_draft, draft_logits, draft_tokens) → VerifyResult
       n_accepted (B,), bonus_token (B,1), per_pos_ratios (B,L)
   ▼ 并入 tokens:  accepted[:na] + bonus




5.6.8 执行流(时序/调用链)

decode_recompute —— 参考 oracle 路径(无 cache 全序列重跑)

每轮前向次数:目标 2 次全序列(:386 取 hidden + :391 打分)+ 草稿 L 次小步。

decode_recompute

decode_rollback —— 快照-回滚路径(增量打分)

每轮前向次数:目标 1 次全序列(:443 取 hidden)+ L 次增量打分(:453)+ na+1 次重放(:467, :469)+ 草稿 L 次小步。

decode_rollback

两条路径并排对照

两条路径并排对照

关键差异表
维度 decode_recompute decode_rollback
打分方式 拼接后全序列重跑(:390-391) 逐 token 增量前向(:451-453)
打分复杂度 每轮 O(T²)(:267) 每轮 L 次小步
cache 完全不用 init_caches + 预填 + 快照/回滚/重放
快照 无 snapshot_caches(:450)
回滚 无 restore_caches(:464)
重放 无 na 次 accepted + 1 次 bonus(:465-469)
目标全序列前向/轮 2 次(:386 hidden + :391 打分) 1 次(:443 hidden)
定位 参考 oracle,正确性由构造保证(:268) 生产路径,正确性需靠 oracle 校验
三个容易读错的点

① decode_rollback 并没有完全摆脱全序列重跑。 :443 hidden = self.model.model(tokens) 仍然是无 cache 全序列前向。源码 :440-442 专门注释了理由:特征提取要与 Recompute 路径逐位一致,否则两条路径的 token 流对不上;cache 只服务于草稿位置的增量打分,"二者正交"。所以它省掉的是打分那次全序列重跑(:391),不是特征那次。

② 回滚是"整体丢弃 + 重放",不是"部分撤销"。 backend.score_token(accepted[j:j + 1].unsqueeze(0)) # (1,1) 先把 cache 恢复到草稿开始前(丢弃全部 L 个草稿的副作用),再用 :465-467 把 na 个已接受 token 重新喂一遍。之所以不做"只撤销 L-na 个",是因为 KDA 的 state 是不可逆的递推更新(:243, :247-251 覆盖 state 与三个卷积窗口)——线性注意力的固定大小状态矩阵没有"回退一格"的操作,只能从快照重建。这正是 snapshot_caches 必须存在的根本原因。

③ bonus token 必须消费进 cache。 :468-469 注释:"被拒绝位置重采的 token 也要消费进 cache(它成为新历史)"。漏掉这一步,cache 会停在 accepted 末尾而 tokens 已多出 bonus,下一轮增量打分的上下文就错位了。这是回滚路径最容易埋 bug 的地方。

decode_rollback 增量打分机制解析
  • 增量只发生在草稿窗内的 draft_len 次小步前向(这是真正省算力的地方)。
  • 重跑只为取 EAGLE-3 多层特征,是为了让 decode_rollback 与 decode_recompute 严格对齐、便于数值校验而保留的设计,不是技术做不到。

增量打分如何实现

关键路径在 speculative.py:448-455:

step_caches_snap = snapshot_caches(caches)    # ① 打分前快照
for j in range(draft_len):
    tok = draft_tokens[:, j:j+1]              # ② 每步只喂 1 个 token
    lg = backend.score_token(tok)             # ③ 走 caches 的增量前向
    tgt_logits_list.append(lg[:, -1:])



之所以"增量",是因为 CacheRollbackBackend.score_token 把 self.caches 传给 model(tok, caches=...):

  • MLA:只对当前 token 算一次 q·kv_latent,kv_latent 增 1 格(O(1) 追加)。
  • KDA:state 矩阵 S 按 delta rule 推进一步,conv 窗口滑 1 格。
  • 每步代价 = O(draft_len × d),而非 O(T²)。

随后 restore_caches + 重放(speculative.py:464-469)把 cache 精确停在"已接受前缀末尾"——这是投机解码正确性的关键:被拒绝后缀的 cache 必须丢弃。

为何没有摆脱全序列重跑

speculative.py:443 每轮仍在做:

hidden = self.model.model(tokens)   # 无 cache,全序列前向



原因有三(见 speculative.py:441-442 注释):

  1. EAGLE-3 特征融合需要全序列 hidden draft() 的输入是 fuse(features),其中 features 是低/中/高三层 AttnRes 出口堆叠。这些特征不能从增量 cache 直接读出——KDA 的 state 是压缩递推态,不含逐位置 hidden;MLA 的 kv_latent 是压缩 K/V,也不是 hidden。要拿到 (B, T, d) 的 hidden,必须跑一次完整 forward。
  2. 与 RecomputeBackend 严格对齐 注释明说:"与 Recompute 路径完全一致(保证两种后端特征相同)"。本文件的首要目的是用逐 token 一致来证明 rollback 正确性,不是追求性能。所以故意让两条路径的 draft 输入完全同源。
  3. 职责拆分 cache 只服务于"对草稿位置打分"这一段(speculative.py:451-455),与特征提取正交。生产实现里通常会用 last_hidden 增量递推 + AttnRes 快照来避免重跑,但那是性能优化层,不属于本文件的"回滚正确性证明"目标。
函数细节
decode_recompute (speculative.py:372) 每轮:
  1 hidden = model.model(tokens)                    # 全序列隐藏态
  2 draft_tokens, draft_logits = _run_round(hidden) # 草稿 L 步
  3 tgt = model(cat([tokens, draft_tokens]))        # 一次前向并行打分
  4 vr = verify_tokens(tgt[:, T:T+L], draft_logits, draft_tokens)
  5 tokens = cat([tokens, accepted[:na], bonus])
  6 stats.record(na, L)

decode_rollback (speculative.py:413) 每轮:
  1 hidden = model.model(tokens)                    # 特征(无 cache)
  2 draft ...                                       # 草稿 L 步
  3 snap = snapshot_caches(caches)                  # 快照
  4 for j in L: score_token(draft_tokens[:,j])      # 增量打分
  5 vr = verify_tokens(...)
  6 restore_caches(caches, snap)                    # 回滚
  7 重放 accepted[:na] + bonus 进 cache             # cache 停在被接受末尾
  8 tokens = cat([...]); stats.record(na, L)




5.6.9 关键类/函数职责表

名称 file:line 输入 → 输出 职责
verify_tokens speculative.py:73-158 (tgt,draft logits, draft tokens) → VerifyResult lossless 接受判据
SpecDecodeStats.record speculative.py:181-183 (n_accepted, draft_len) 记录每轮
SpecDecodeStats.measured_acceptance speculative.py:207 — → float 实测接受率
SpecDecodeStats.tokens_per_forward speculative.py:215 — → float 每目标前向 token 数
snapshot_caches speculative.py:221-235 caches → snap 深拷贝 cache
restore_caches speculative.py:237-261 (caches, snap) 原地回滚
RecomputeBackend.score_sequence speculative.py:274-278 seq → (B,T,V) 全序列打分
CacheRollbackBackend.score_token speculative.py:306-314 tok → (B,1,V) 增量打分
SpeculativeDecoder.decode_recompute speculative.py:372 prompt → (tokens,stats) 重跑路径循环
SpeculativeDecoder.decode_rollback speculative.py:413 prompt → (tokens,stats) 快照-回滚路径循环

5.6.10 代码

验证结果
@dataclass
class VerifyResult:
    """一轮 verify 的结果。

    - ``accepted_tokens``:被接受的草稿 token ``(B, n_accepted)``。
    - ``n_accepted``:接受前缀长度(每 batch 元素一个标量)。
    - ``bonus_token``:被拒绝位置重采的 1 个 token ``(B, 1)``(即使全部接受
      也重采 1 个,保证每轮净增 = 接受数 + 1,符合投机解码约定)。
    - ``per_pos_ratios``:每个草稿位置的接受概率 ``p_i(c_i)/q_i(c_i)``。
    """

    accepted_tokens: Tensor
    n_accepted: Tensor          # (B,)
    bonus_token: Tensor         # (B, 1)
    per_pos_ratios: Tensor      # (B, L)

def verify_tokens(
    target_logits: Tensor,
    draft_logits: Tensor,
    draft_tokens: Tensor,
    *,
    greedy: bool = False,
    generator: Optional[torch.Generator] = None,
) -> VerifyResult:
    """lossless 接受判据(纯函数,不碰模型)。

    参数:
    - ``target_logits`` ``(B, L, V)``:目标模型对 L 个草稿候选位置的分布。
    - ``draft_logits``   ``(B, L, V)``:草稿模型自己的分布。
    - ``draft_tokens``   ``(B, L)``:草稿在每位置提出的 token id。
    - ``greedy``:True 走 argmax 确定性匹配(测试用);False 走 lossless
      随机接受(u <= p(c)/q(c))。
    - ``generator``:随机源(可复现测试)。

    返回 ``VerifyResult``。语义:逐位置判定,一旦拒绝立即截断,并在拒绝位置
    重采 1 个 bonus token。
    """
    B, L, _ = target_logits.shape
    # softmax 得概率分布 p(目标)与 q(草稿)。
    p = torch.softmax(target_logits.float(), dim=-1)
    q = torch.softmax(draft_logits.float(), dim=-1)
    # 每个草稿位置提出 token 的被接受概率 p_i(c_i) / q_i(c_i)。
    p_c = p.gather(-1, draft_tokens.unsqueeze(-1)).squeeze(-1)   # (B, L)
    q_c = q.gather(-1, draft_tokens.unsqueeze(-1)).squeeze(-1)   # (B, L)
    ratio = (p_c / q_c.clamp_min(1e-9)).clamp_max(1.0)          # (B, L)
    # ratio 上限 clamp 到 1:当 q_i(c_i) 极小导致比值 >1 时按 1 算,即"该位置
    # 无条件接受",与 lossless 采样惯例一致(接受概率不可能 >1)。

    if greedy:
        # 确定性路径:草稿 token == 目标 argmax 才算接受。
        target_arg = target_logits.argmax(-1)                    # (B, L)
        accepted = (draft_tokens == target_arg)
    else:
        # lossless 随机路径:采 u,u <= ratio 则接受。
        u = torch.rand(
            (B, L), dtype=torch.float32, device=target_logits.device, generator=generator
        )
        accepted = (u <= ratio)

    # 逐 batch 求"连续接受前缀"长度:第一个 False 之前的 True 个数。
    n_accepted_list = []
    for b in range(B):
        n = 0
        for flag in accepted[b].tolist():
            if flag:
                n += 1
            else:
                break
        n_accepted_list.append(n)
    n_accepted = torch.tensor(n_accepted_list, device=target_logits.device)  # (B,)

    # 接受前缀的 token;长度取所有 batch 中最大接受数(不足由调用方按 n_accepted 截)。
    max_acc = int(n_accepted.max().item()) if B else 0
    if max_acc > 0:
        accepted_tokens = draft_tokens[:, :max_acc]
    else:
        accepted_tokens = draft_tokens.new_zeros(B, 0)

    # bonus token:在"被拒绝的位置"(= 接受前缀末尾)重采。
    # 分布 = norm(max(p - q, 0))。若全部接受,则在最后一个草稿位置重采,
    # 分布取 p(目标)在该位置的分布。
    bonus_token = torch.zeros(B, 1, dtype=torch.long, device=target_logits.device)
    for b in range(B):
        nb = int(n_accepted[b].item())
        if nb < L:
            pos = nb
            residual = torch.clamp(p[b, pos] - q[b, pos], min=0.0)   # (V,)
        else:
            pos = L - 1
            residual = p[b, pos]                                      # 全部接受
        total = residual.sum().clamp_min(1e-9)
        probs = residual / total
        if greedy:
            bonus_token[b, 0] = probs.argmax()
        else:
            bonus_token[b, 0] = torch.multinomial(probs, 1, generator=generator).item()

    return VerifyResult(
        accepted_tokens=accepted_tokens,
        n_accepted=n_accepted,
        bonus_token=bonus_token,
        per_pos_ratios=ratio,
    )



cache 快照 / 恢复
# ---------------------------------------------------------------------------
# cache 快照 / 恢复(按 cache 类型分派)
# ---------------------------------------------------------------------------

def _is_kda(c) -> bool:
    # 用鸭子类型判断(避免 src 与 models 两个模块命名空间导致的 isinstance 失效)。
    return hasattr(c, "state") and hasattr(c, "conv_q")

def _is_mla(c) -> bool:
    return hasattr(c, "kv_latent") and hasattr(c, "length")

def snapshot_caches(caches: list) -> list:
    """深拷贝整组 cache(投机解码开始前的状态)。

    返回与 ``caches`` 等长的副本列表。KDA 用 ``KDACache.clone``,MLA 用
    ``MLACache.clone``,其他对象(MTP 层 cache)回退到 ``copy.deepcopy``。
    """
    import copy
    snap = []
    for c in caches:
        if _is_kda(c) or _is_mla(c):
            snap.append(c.clone())
        else:
            snap.append(copy.deepcopy(c))
    return snap

def restore_caches(caches: list, snap: list) -> None:
    """把 ``caches`` 原地恢复成 ``snap`` 的快照(回滚未验证的续写)。

    投机部分接受后,草稿被拒绝位置对应的状态必须丢弃。恢复策略:
    - MLA:latent 被增量前向追加了草稿 latent,需把 ``kv_latent`` 切回快照
      长度并恢复数值基线;
    - KDA:直接覆盖 ``state`` 与三个卷积窗口;
    - 未知类型:逐属性覆盖(投机不深挖内部)。
    """
    for c, s in zip(caches, snap):
        if _is_kda(c):
            c.state = s.state.clone()
            c.conv_q = s.conv_q.clone()
            c.conv_k = s.conv_k.clone()
            c.conv_v = s.conv_v.clone()
        elif _is_mla(c):
            c.kv_latent = s.kv_latent.clone()
            c.length = s.length
        else:
            for k, v in vars(s).items():
                setattr(c, k, v)

# ---------------------------------------------------------------------------
# 打分后端:Recompute(参考 oracle)与 CacheRollback(快照-回滚)
# ---------------------------------------------------------------------------

class RecomputeBackend:
    """重跑后端:每轮用**无 cache 的全序列 forward** 打分。

    正确性由构造保证(重跑即重新计算所有位置),代价是每轮 O(T²)。
    作为参考 oracle,用于校验 Rollback 后端的正确性。
    """

    def __init__(self, model):
        self.model = model

    def score_sequence(self, seq: Tensor) -> Tensor:
        out = self.model(seq)          # 无 cache,全序列
        if isinstance(out, dict):
            out = out["logits"]
        return out

def _extract_features(model, hidden: Tensor, attn_res_state) -> list:
    """从目标模型取出 EAGLE-3 特征融合用的完整出口列表。

    - AttnRes 启用时:从 ``attn_res_state`` 取**全部**可读 sources(不做选择,
      选择统一交给 ``Eagle3Draft.fuse()``,见 A3 职责划分)。
    - AttnRes 关闭时:无状态可读,退化为"重复 hidden"作为单源(教学回退)。
      文档会注明:真实 EAGLE-3 需要 AttnRes 特征;这里保证 demo 可跑通。
    """
    if attn_res_state is not None:
        try:
            feats = eagle3_feature_stack(attn_res_state, picks=None)  # 摊平全部
            if len(feats) >= 3:
                return feats
        except (TypeError, IndexError):
            pass
    # 回退:单源 hidden 重复 5 次(教学用),使 feature_blocks=(0,3,-1) 能取到
    # 低/中/高,且 fuse 仍是 W_E3·[h;h;h;h;h]。
    return [hidden] * 5

class CacheRollbackBackend:
    """快照-回滚后端:增量打分 + 部分接受时恢复快照。

    与 RecomputeBackend 的差异:它持有**增量 cache**,逐 token 前向打分,
    而每轮 verify 之后由 ``SpeculativeDecoder.decode_rollback`` 负责恢复
    cache 到已接受前缀末尾。两类后端须产出逐 token 一致的 token 流。
    """

    def __init__(self, model):
        self.model = model
        # 增量 cache(由 decode_rollback 维护并传入)。
        self.caches = None

    def score_token(self, tok: Tensor) -> Tensor:
        """对单个新 token ``(B, 1)`` 增量前向,返回 ``(B, 1, V)`` 分布。

        使用 ``self.caches`` 累积历史;注意返回后 cache 已被推进一格。
        """
        out = self.model(tok, caches=self.caches)
        if isinstance(out, dict):
            out = out["logits"]
        return out



端到端投机解码循环
class SpeculativeDecoder:
    """端到端投机解码循环:Kimi3ForCausalLM × Eagle3Draft。

    提供两条**语义等价的打分路径**,用于验证回滚正确性:
    - ``decode_recompute``:每轮无 cache 全序列重跑(参考 oracle)。
    - ``decode_rollback``  :快照 cache、增量打分、部分接受时回滚。
    两者在固定 seed 下产出的 token 流逐 token 一致。

    特征提取统一走 ``_extract_features``:AttnRes 启用取真实低/中/高特征,
    否则回退到 hidden 重复(教学用)。
    """

    def __init__(
        self,
        model,
        draft: Eagle3Draft,
        *,
        greedy: bool = False,
        generator: Optional[torch.Generator] = None,
    ):
        self.model = model
        self.draft = draft
        self.greedy = greedy
        self.generator = generator

    # ---- 特征与融合 --------------------------------------------------------
    def _features(self, hidden: Tensor) -> list:
        state = getattr(self.model.model, "_attn_res_state", None)
        return _extract_features(self.model, hidden, state)

    def _fused(self, hidden: Tensor) -> Tensor:
        return self.draft.fuse(self._features(hidden))

    # ---- 公共:从目标打分 + verify 一个草稿窗口 -----------------------------
    def _run_round(self, hidden: Tensor, draft_len: int):
        """给定当前目标隐藏态,draft L 步并返回草稿 token/logits。"""
        fused = self._fused(hidden)
        draft_tokens, draft_logits = self.draft.draft(
            fused, self.model.model.tok_embed, n_steps=draft_len
        )
        return draft_tokens, draft_logits

    @torch.no_grad()
    def decode_recompute(
        self,
        prompt: Tensor,
        *,
        max_new_tokens: int,
        draft_len: int,
    ) -> tuple[Tensor, SpecDecodeStats]:
        """重跑路径:每轮全序列打分(参考 oracle)。"""
        tokens = prompt.clone()
        stats = SpecDecodeStats()
        B = prompt.shape[0]
        # 打分后端:与 decode_rollback 的 CacheRollbackBackend 对称。
        # 该后端无状态(不持 cache),每轮用无 cache 全序列 forward 打分。
        backend = RecomputeBackend(self.model)
        n_new = 0
        while n_new < max_new_tokens:
            # 目标前向(全序列),取隐藏态(model.model 是去掉 lm_head 的骨架)。
            hidden = self.model.model(tokens)
            # draft
            draft_tokens, draft_logits = self._run_round(hidden, draft_len)
            # 目标对"草稿位置"打分:拼接后全序列重跑
            cand = torch.cat([tokens, draft_tokens], dim=1)
            tgt = backend.score_sequence(cand)
            cur = tokens.shape[1]
            tgt_draft = tgt[:, cur:cur + draft_len]
            vr = verify_tokens(
                tgt_draft, draft_logits, draft_tokens,
                greedy=self.greedy, generator=self.generator,
            )
            na = int(vr.n_accepted[0].item())
            stats.record(na, draft_len)
            accepted = vr.accepted_tokens[0][:na]
            new_chunk = torch.cat([accepted, vr.bonus_token[0]], dim=0)
            tokens = torch.cat([tokens, new_chunk.unsqueeze(0)], dim=1)
            n_new += int(new_chunk.shape[0])
            # 全部拒绝时只剩 bonus token,下一轮 draft→verify 纯属浪费,提前退出。
            if na == 0:
                break            
        return tokens, stats

    def _score_candidates(self, seq: Tensor) -> Tensor:
        out = self.model(seq)
        if isinstance(out, dict):
            out = out["logits"]
        return out

    @torch.no_grad()
    def decode_rollback(
        self,
        prompt: Tensor,
        *,
        max_new_tokens: int,
        draft_len: int,
    ) -> tuple[Tensor, SpecDecodeStats]:
        """快照-回滚路径:增量打分,部分接受时恢复 cache 并重放。

        这是把 ``serve/decode.py`` 的回滚动机真正接到 EAGLE-3 的实现:
        - 每一轮开始前**快照** cache;
        - 逐草稿位置**增量**前向打分(只有 1 次小步前向,而非全序列重跑);
        - verify 后,被拒绝的后缀丢弃:恢复快照,再重放已接受前缀。
        """
        tokens = prompt.clone()
        stats = SpecDecodeStats()
        B = prompt.shape[0]
        device = prompt.device
        # 初始化增量 cache,并把 prompt 预填进去。
        backend = CacheRollbackBackend(self.model)
        caches = self.model.init_caches(B, device=device, dtype=torch.float32)
        # 预填:把整个 prompt 一次性前向,让 cache 记录历史。
        self.model(tokens, caches=caches)
        backend.caches = caches
        n_new = 0

        while n_new < max_new_tokens:
            # 特征/融合:对"当前已接受序列"做一次**无 cache 全序列重跑**,
            # 与 Recompute 路径完全一致(保证两种后端特征相同)。
            # cache 只用于下方对草稿位置的增量打分,二者正交。
            hidden = self.model.model(tokens)
            fused = self._fused(hidden)                 # (B, T, d)
            draft_tokens, draft_logits = self.draft.draft(
                fused, self.model.model.tok_embed, n_steps=draft_len
            )
            # 逐草稿位置增量打分,收集目标分布
            tgt_logits_list = []
            step_caches_snap = snapshot_caches(caches)
            for j in range(draft_len):
                tok = draft_tokens[:, j:j + 1]
                lg = backend.score_token(tok)
                tgt_logits_list.append(lg[:, -1:])
            tgt_draft = torch.cat(tgt_logits_list, dim=1)   # (B, L, V)
            vr = verify_tokens(
                tgt_draft, draft_logits, draft_tokens,
                greedy=self.greedy, generator=self.generator,
            )
            na = int(vr.n_accepted[0].item())
            stats.record(na, draft_len)

            # 回滚:恢复快照,再重放已接受前缀,使 cache 停在被接受末尾。
            restore_caches(caches, step_caches_snap)
            accepted = vr.accepted_tokens[0][:na]      # (na,)
            for j in range(na):
                backend.score_token(accepted[j:j + 1].unsqueeze(0))  # (1,1)
            # bonus:被拒绝位置重采的 token 也要消费进 cache(它成为新历史)。
            backend.score_token(vr.bonus_token[0:1])   # (1,1)
            new_chunk = torch.cat([accepted, vr.bonus_token[0]], dim=0)
            tokens = torch.cat([tokens, new_chunk.unsqueeze(0)], dim=1)
            n_new += int(new_chunk.shape[0])
            # 全部拒绝时只剩 bonus token,下一轮 draft→verify 纯属浪费,提前退出。
            if na == 0:
                break            
        return tokens, stats



5.6.11 对比基线与实测数据(回填自 eagle3_demo.py)

CPU 小模型(dim=64, n_layers=2, vocab=100),greedy 与 lossless 两路实测:

指标 无投机(基线) greedy(随机草稿) lossless(随机草稿)
实测接受率 — 0.0000 0.1296
tokens/forward 1.0 1.000 1.389
理论 E[tokens/target](同 r,L=3) 1.0 1.000 1.149
Recompute vs Rollback 一致 — True —

关键读数(eagle3_demo.py 输出):

  • 两路径 token 流逐 token 一致(greedy):Recompute 与 Rollback 输出完全相等 → 回滚正确性的数值证明。
  • lossless 实测接受率 0.13、tokens/forward 1.389,显著 > 无投机基线 1.0。
  • 有趣现象:实测 tokens/forward(1.389)> 理论(1.149)。原因:每轮"bonus token"是接受公式之外的额外净增(即使全拒也 +1),而 speedup_from_acceptance 只算接受带来的增益。这是教学上的诚实观察——真实收益比纯接受率公式更高(但受草稿质量上限约束)。

5.6.12 反方辩手 / 边界条件

  • a) 最强反对:草稿质量决定一切。若草稿接受率 ≈ 0(如上表 greedy 随机草稿),投机解码退化为"每轮净增 1 token"+ 额外草稿开销,反而更慢。真实加速依赖训练好的草稿(r≈0.8+)。
  • b) 若失败,最可能错:KDA 状态回滚的假设——本实现的 Rollback 用"快照恢复 + 重放";工业上 serve/decode.py 用投影重演(零快照)。若快照成本高于重演,大 draft 长序列下不划算。
  • c) 胜出:目标模型深(93 层)、草稿接受率高、draft 短;失败:草稿未训练、目标浅、序列短。
  • d) 更稳健:Recompute 后端永远正确(慢但无损),可作任何回滚实现的对照基准——本项目的"两后端一致"测试正是这个思想。
  • e) 受影响方:推理方(收益)、训练方(需额外训草稿、QAT)、草稿保存与加载方(多一套模型文件)。

5.7 探讨代码(experiments\models\llm\kimi_k3\mtp\eagle3_demo.py)

实验 内容 实测结论(回填)
E1 纯 LM vs LM+0.5·MTP 的 lm_loss(30 步,同权重起步) 纯 LM 4.225→3.470;LM+MTP 4.192→4.024。窄模型+小数据下 MTP 未显著更优
E2 融合初值 [0 0 I] vs 随机 vs 全零(目标=高层恒等,60 步) [0 0 I] error 0→0(零扰动);随机 1.3584→0.0010;全零 1.0393→0.0007
E3 接受率→加速比理论扫曲线(L=1/2/4/7) r=0.8,L=7 → 4.16 token/次目标前向(表格见下)
E4 偏移对齐 sanity(T=16) MTP 输出形状 (B,T-1,V)=(2,7,64);换掉 next_emb → logits avg

E3 加速比实测表(speedup_from_acceptance)

 r     L=1     L=2     L=4     L=7
0.20   1.20    1.24    1.25    1.25
0.50   1.50    1.75    1.94    1.99
0.70   1.70    2.19    2.77    3.14
0.80   1.80    2.44    3.36    4.16
0.90   1.90    2.71    4.10    5.70
0.95   1.95    2.85    4.52    6.73


附录


附录 A:三方参考核对对照表(file:line 汇总)

项 kimi3-master kimi-k3-pytorch 本项目
融合层 model.py:262 fusion.py:44-47 mtp_layer.py:128-131
proj bias model.py:250(无) fusion.py:23(无) mtp_layer.py:97(无)
骨架块 model.py:251(Kimi3Block,dense_ffn=False) block.py:25-48(Hybrid 组) mtp_layer.py:105-107(Kimi3Block, MoE)
目标 model.py:346-347(labels[:,2:]) alignment.py:87-89 model.py:409-410
loss_weight 0.3(config.py:160) 0.1(config.py:26) 0.3(config.py:146)
EAGLE-3 初值 eagle3.py:75-79 —(fusion 随机) eagle3.py:87-91
LK 损失 eagle3.py:53-62 —(kimi-k 主用 CE_aux) eagle3.py:63-70
Draft eagle3.py:97-133 head.py:295-339(单步) eagle3.py:146-191
verify/端到端 无(官方也没有) — speculative.py:73-475(自研扩展)

口径一致性结论:三方预测 x[t+2] 语义一致;loss_weight 默认 0.3 vs 0.1 差异已在配置层显式化。verify 环节kimi3-master缺失,本项目补齐。

附录B. 实测数据 (来自项目实验)

B1: 联合损失 vs 纯 LM

纯 LM    : lm_loss 4.225 → 3.470  (Δ0.755)
LM+MTP(0.5) : lm_loss 4.192 → 4.024  (Δ0.168)
终结差距: +0.554 (联合目标下 lm 更低)


在小模型上 MTP 的正则化收益需要更大规模才能充分体现。

B2: [0 0 I] 初始化的优势

[0 0 I] 初始化: 初始误差 0.0000 → 最终 ~0.0000
随机初始化   : 初始误差 1.3484 → 最终 ~0.0010
He 初始化    : 初始误差 1.0393 → 最终 ~0.0007


[0 0 I] 从零误差起步 (= MTP 预训练的已知好点), 避免了随机初始化带来的初期反向传播噪声。

B3: 接受率 → 加速比理论表

接受率 r L=1 L=2 L=4 L=7
0.5 1.50 1.75 1.94 1.99
0.7 1.70 2.19 2.77 3.14
0.8 1.80 2.44 3.36 4.16
0.9 1.90 2.71 4.10 5.70
0.95 1.95 2.85 4.52 6.73

r=0.8 + L=7 时,每个目标前向产出约 4.16 个 token— 即 MTP 预训练 + 特征融合训练的那一层所贡献的推理加速上限。

B4: 偏移对齐 sanity

MTP 输出形状: (2, 7, 64) (B=2, T‑1=7, V=64)
打乱 next_emb 后 logits 变化 |Δ| = 0.5494
→ MTP 确实用上了 x[t+1] 的嵌入信息
_mtp_loss(labels[:,2:] 对齐) = 4.3158



附录C. 代码位置索引

文件 内容
src/models/llm/kimi_k3/mtp/mtp_layer.py MTP 层本体 (双 token 并行预测层)
src/models/llm/kimi_k3/mtp/eagle3.py EAGLE‑3 草稿模型 (特征融合 + LK 损失 + draft 自回归)
src/models/llm/kimi_k3/mtp/speculative.py 投机解码 verify + 端到端循环 (Recompute/Rollback 两条路径)
src/models/llm/kimi_k3/mtp/__init__.py 包导出 + MTP⇨EAGLE 谱系文档
src/models/llm/kimi_k3/config.py MTPConfig + Kimi3Config (含 MTP 配置与校验 n_layers==1)
src/models/llm/kimi_k3/model.py Kimi3ForCausalLM (MTP 集成 + _mtp_logits + _mtp_loss)
src/server/decode.py KDA 投机回滚 (投影缓存 + verify_and_replay)
experiments/mtp/discussion.py E1‑E4 四组探讨实验
experiments/mtp/eagle3_demo.py EAGLE‑3 投机解码端到端 demo
experiments/mtp/plot_mtp.py MTP/EAGLE‑3 可视化

附录D. 可视化与输出

D.1 可视化脚本

  • experiments/mtp/plot_mtp.py:plot_mtp_offset.png、plot_e1_joint_loss.png、plot_e2_init_curve.png、plot_e3_speedup.png。
  • experiments/mtp/eagle3_demo.py:plot_e5_measured_speedup.png(实测点 vs 理论)。

D.2 截图说明

  • plot_mtp_offset.png:token 流示意,LM(h[t]→x[t+1])与 MTP(h[t]⊕emb(x[t+1])→x[t+2])两条监督路径。

    plot_mtp_offset

  • plot_e1_joint_loss.png:干 LM vs 联合目标 lm_loss 曲线;教学尺度下联合未显著占优。

    plot_e1_joint_loss

  • plot_e2_init_curve.png:三条初值误差曲线([0 0 I] 恒 0、随机/全零收敛)。

    plot_e2_init_curve

  • plot_e3_speedup.png:4 条理论加速比曲线 + 星标(r=0.8,L=7→4.16)。

    plot_e3_speedup

  • plot_e5_measured_speedup.png(V3 新增):理论曲线 + 红色实测星标(lossless 实际接受率/加速点),展示"理论上限 vs 实际"。

    plot_e5_measured_speedup

D.3 实测数值回填

图 关键读数 关键推论
plot_mtp_offset 概念示意 双监督路径
plot_e1_joint_loss 干 LM 4.225→3.470;联合 4.192→4.024 窄配置下联合未占优(教学诚实)
plot_e2_init_curve [0 0 I]=0;随机=1.33→收敛 [0 0 I] 零扰动守护 MTP 预训练输入
plot_e3_speedup r=0.8,L=7 → 4.16 草稿接受率直接转加速(理论上限)
plot_e5_measured_speedup lossless 实测 r=0.13, tokens/forward=1.389 实测点验证了"接受率→加速"机制,且因 bonus 每轮净增,实测略高于纯接受率公式

TransFormer-封面


0xFF 参考

posted @ 2026-11-16 20:51  罗西的思考  阅读(28)  评论(0)    收藏  举报