GPT-OSS大模型Attention架构设计

模型参数（20B和120B版本）

考虑Attention Sink的Attention计算

大模型推理时，在大部分层上能观察到注意力很大程度关注到开头的几个token上，在StreamingLLM中被称为attention sink。究其原因，并不是开头的token一定最重要，而是当大模型无法有效关注到主要token时，由于开头的token能被后面所有token看到，所以表现出很高的attention score。

因此有一类工作聚焦于 规避attention sink的出现 ，避免这样的现象影响有效的attention计算。
GPT-OSS提出bias项来修正attention sink，基本的思路是在计算完QK之后，给每个head拼接上额外的一个token（可学习的bias token），然后计算softmax，再把bias token丢弃，最后去和V相乘计算attention的输出。

GPT-OSS源代码如下（写法相对比较晦涩）：

于是，我重新整理了一版更简洁的代码：

S这个可学习的bias项应该是head-wise，即给每个head都加上一个额外的token，参数定义如下：

self.S = torch.nn.Parameter(torch.empty(config.num_attention_heads))

从数学角度分析，上面这个过程 本质上就是给attention的计算中分母的求和加上了额外的一项：

softmax(xi)=exp⁡(xi)∑jexp⁡(xj)→exp⁡(xi)∑jexp⁡(xj)+exp⁡(S)softmax(x_i) =\frac{\exp(x_i)}{\sum_j \exp(x_j)} \rightarrow \frac{\exp(x_i)}{\sum_j \exp(x_j)+\exp(S)}softmax(xi)=∑jexp(xj)exp(xi)→∑jexp(xj)+exp(S)exp(xi)

但注意和V相乘之前，需要去掉bias token，从而得到attention的输出。

补充：也有工作是给分母上加1，达到类似的效果，不过GPT-OSS用可学习的bias项会更加灵活。

分层混合稀疏Attention

GPT-OSS采用隔层交错的attention，混合标准的GQA（full attention）和sliding window attention。

其中，window的大小是128，通过下面的方式决定哪些层用sliding window attention：

self.sliding_window = config.sliding_window if layer_idx % 2 == 0 else 0