llm-atlas/research/K3_ATTNRES_GRADIENT_SCALE_AUDIT.md

# Kimi K3 第五轮：Attention Residuals 梯度定义与深度扩展实验审计

> 协议：`llm-atlas-k3-attnres-gradient-scale-v1`  
> 前置定义审计：`research/K3_ATTNRES_GRADIENT_DEFINITION_AUDIT.md`  
> 预注册协议：`research/K3_ATTNRES_GRADIENT_SCALE_PROTOCOL.md`  
> 数据清单：`experiments/k3/attnres_gradient/manifest.json`  
> 执行日期：2026-07-30  
> 设备：NVIDIA GeForce RTX 5090；PyTorch `2.11.0+cu128`

## 0. 先说结论

这一轮本来想澄清一个看似矛盾的问题：

```text
论文 Figure 5：
Block AttnRes 的梯度沿深度“明显更均匀”

本站 Round 04：
Block AttnRes 的核心参数梯度 RMS 跨层 CV 反而更高
```

一手工件审计先确认：论文没有公开 Figure 5(c) 的确切 gradient tensor、norm、reduction、
diagnostic batch、AMP / clip 时点或统计代码。因此，Round 05 没有假装恢复作者的隐藏实现，
而是冻结一个与 Figure 5 的 output/gradient 并列叙述对齐、可复现的定义：

```text
h_l：
第 l 个 Transformer block 完成 attention + MLP 后的 FP32 residual output

m_l：
sqrt(mean((∂L / ∂h_l)² over batch × time × channel))

L：
固定 16 × 256 targets 的 token-mean cross entropy
```

结果不是一句“是”或“不是”，而是一个更有信息量的分解：

1. **Block 确实大幅缓解了早层整体偏大。**  
   Baseline 首四分位梯度平均是末四分位的 `3.01–3.90×`；Block 把它改到
   `0.55–1.40×`。预注册的首尾失衡指标在 6 / 6 个 depth×seed 配对中都改善，
   depth-16 平均改善 `61.0%`，depth-32 平均改善 `72.0%`。

2. **但 Block 没有让整条深度谱更平。**  
   它在中后段形成了局部尖峰，所以 population CV 在 6 / 6 个配对中都恶化：
   depth-16 平均相对恶化 `10.3%`，depth-32 平均相对恶化 `60.0%`。

3. **Block 的绝对 activation-gradient 平均尺度更小。**  
   它只有 Baseline 的 `57.4%`（depth-16）和 `54.4%`（depth-32）。这意味着“首尾更接近”
   不能自动解释为所有层都获得更强更新信号。

4. **参数梯度仍与 Round 04 同方向。**  
   核心参数梯度 CV 从 `0.416→0.683`（depth-16），从 `0.397→0.772`
   （depth-32）；Block 更不均匀。

5. **验证 BPC 在 6 / 6 配对中都更低，但不是同算力优势。**  
   平均改善 `0.00894 BPC`（depth-16）与 `0.00987 BPC`（depth-32）；Block 实际 step
   time 是 Baseline 的约 `2.55–2.60×`，peak allocated memory 约 `2.15–2.16×`。

按看结果前冻结的联合判据，CV 与首尾失衡必须同时改善才算 support；必须同时恶化才算
concern。这里二者方向相反，所以：

| depth | 预注册判定 |
|---:|---|
| 16 | **mixed / inconclusive at this depth** |
| 32 | **mixed / inconclusive at this depth** |
| 总判定 | **depth-dependent or inconclusive** |

最准确的中文总结是：

> 在这套公开 operationalization 中，Block AttnRes 把“早层系统性偏大”变成了“首尾更接近、
> 但中后段有局部尖峰”的另一种梯度分布。它修正了一类失衡，却没有降低全层离散度。

这不复现论文 Figure 5 的数值，也不反驳一个没有公开测量合同的隐藏实现。

---

## 1. 为什么要另开一轮，而不是改写 Round 04

Round 04 的梯度对象是：

```text
每个 Transformer block 的 attention、MLP 与两个 input norm
所有核心参数梯度拼接后的 RMS
```

这回答“该层权重收到多大更新信号”。Round 05 的对象是 `∂L/∂h_l`，回答“损失对该深度
表征有多敏感”。链式法则把两者联系起来，但不会保证跨层形状同方向。

因此：

- Round 04 参数梯度反结果继续有效；
- Round 05 不把它改名为 activation gradient；
- 两种对象在网站并排展示；
- 任何方向冲突都保留，而不是选择更像论文的一种。

官方工件边界见前置定义审计。固定 revision 为：

```text
MoonshotAI/Attention-Residuals
85e22310fe5ee860b4a023de312d791de8a5a5e6

Attention_Residuals.pdf SHA-256
e5831b0db1347606453b5176b0142115a18887b6a9c2e1d05a266d4805a26b2f
```

官方仓库没有可执行训练代码或 Figure 5 原始数组。

## 2. 实验规模与配对合同

正式网格：

```text
2 depths
× 2 residual graphs
× 3 seeds
× 8,000 steps
× 32 windows
× 256 target bytes
= 12 independent runs
= 786,432,000 formal target bytes
```

| 项 | depth-16 | depth-32 |
|---|---:|---:|
| Transformer blocks | 16 | 32 |
| residual sublayers | 32 | 64 |
| AttnRes aggregation groups | 8 | 8 |
| sublayers / group | 4 | 8 |
| Transformer blocks / group | 2 | 4 |
| width / heads / FFN | 192 / 6 / 768 | 192 / 6 / 768 |

每个 depth / seed 的 Baseline 与 Block：

- 使用逐 tensor exact 的公共主干初始化；
- 使用逐 step / row exact 的 byte windows；
- 使用相同 optimizer、LR schedule、batch、context 与 target-byte budget；
- 分支线性计算走 BF16 autocast；
- residual accumulator 与被测 `h_l` 都为 FP32；
- 每个结构在全新进程中从零训练。

二者**不匹配**：

- mixer 参数；
- mixer FLOPs；
- step wall time；
- activation memory。

所以 BPC 只能叫“同 token / step 预算对比”，不能叫“同算力优势”。

## 3. 数据与日程

| 对象 | 固定值 |
|---|---|
| dataset | `Salesforce/wikitext` |
| revision | `b08601e04326c79dfdd32d625aee71d232d685c3` |
| variant | `wikitext-2-raw-v1` |
| train bytes | 10,951,563 |
| train SHA-256 | `0ca7d3e7…e9b4` |
| validation bytes | 1,148,008 |
| validation SHA-256 | `a42356f6…e719` |
| formal schedule cells | 768,000 |
| schedule SHA-256 | `5041e09b…f4e` |
| validation tensor SHA-256 | `f459316f…338` |
| diagnostic tensor SHA-256 | `21117e31…716` |

固定诊断时点：

```text
0, 100, 500, 2,000, 4,000, 8,000
```

六个时点的全部 activation gradient、output RMS、parameter gradient、mixer 权重与验证 BPC
都进入 raw JSON；没有只挑“最好看”的 checkpoint。

## 4. 正式训练前的故障与修订

### 4.1 第一次 smoke 的标量序列化错误

首个 depth-16 Baseline 20-step smoke 已完成数值计算，但在写 JSON 前失败：

```text
RuntimeError:
self.dim() cannot be 0 to view Float as Byte
```

原因是 optimizer 的 step 是 0 维 tensor，hash helper 直接把它 `view(torch.uint8)`。修复为：

```text
tensor.reshape(-1).view(torch.uint8)
```

当时：

- 没有 formal 运行；
- 没有输出 JSON；
- 没有可供选择的正式结果。

### 4.2 smoke 发现被测 residual dtype 不一致

第一版 smoke 通过了 finite / loss×2 / replay 闸门，但检查 capture metadata 时发现：

```text
Baseline post-MLP h_l：FP32
Block aggregation partial：BF16
```

原因：

- Baseline 把 BF16 branch 加到 FP32 embedding/residual stream；
- Block 每组第一个 partial 直接引用 BF16 branch output。

这会把数值精度差异混进结构比较。正式训练前，协议与实现补充为：

```text
BF16 branch output → 显式转 FP32 → residual partial 累加
```

随后 4 个 depth×architecture 格的 smoke 全部从头重跑两次。正式输出是在这次修订之后才开始。

### 4.3 一次未启动模型的 zsh 调度错误

首个正式 Baseline 完成后，批处理脚本用 Bash 式标量切分处理 zsh 字符串，第一行就退出：

```text
argument --architecture: invalid choice: ''
```

runner 没有启动，也没有创建新结果文件。调度改为显式 `:` 分隔数组后继续。这是 orchestration
故障，不是模型运行失败，但仍在审计时间线中保留。

## 5. 运行前与复现闸门

### 5.1 activation-gradient 测量闸门

4 / 4 个 depth×architecture 格都通过：

- 捕获数量严格等于 16 / 32；
- shape 严格为 `[16,256,192]`；
- dtype 全部为 FP32；
- gradient 全部 present、finite；
- capture storage 全部不别名；
- diagnostic loss×2 后每层 gradient RMS 精确×2；
- CV、归一化谱、首尾比不变。

### 5.2 两次独立 smoke

每个格都在两个全新进程中训练 20 steps。排除 timing 后的冻结字段：

| 格 | compare SHA-256 |
|---|---|
| depth-16 Baseline | `525cdcd9…bd2a` |
| depth-16 Block | `e4330a0d…90cc` |
| depth-32 Baseline | `8ee0dc37…8e56` |
| depth-32 Block | `289073b1…34c` |

4 / 4 exact。

### 5.3 完整 formal replay

预注册格：

```text
depth-32 / Block / seed-2026073001
```

从初始化重新训练完整 8,000 steps，不加载 formal checkpoint。排除 `run_kind`、timing、
memory 与进程元数据后的全部冻结字段：

```text
formal compare SHA-256
46300a452840a9dc6a5180efe7949cf3d81cc4471ed4a942da407e9343064817

replay compare SHA-256
46300a452840a9dc6a5180efe7949cf3d81cc4471ed4a942da407e9343064817
```

最终状态：

| 对象 | formal | replay |
|---|---|---|
| model state | `3f0b97ec…2f59` | `3f0b97ec…2f59` |
| optimizer state | `ed03e6fb…4637` | `ed03e6fb…4637` |

字段级 exact。

## 6. 主结果：CV 与首尾失衡为什么方向相反

### 6.1 depth-16

| seed | Base CV | Block CV | 相对 CV 改善 | Base imbalance | Block imbalance | 相对 imbalance 改善 |
|---:|---:|---:|---:|---:|---:|---:|
| 2026073001 | 0.41719 | 0.46768 | −12.1% | 1.29458 | 0.38821 | +70.0% |
| 2026073002 | 0.43744 | 0.45175 | −3.3% | 1.35991 | 0.58958 | +56.6% |
| 2026073003 | 0.41927 | 0.48391 | −15.4% | 1.29826 | 0.56693 | +56.3% |
| 均值 | 0.42463 | 0.46778 | **−10.3%** | 1.31759 | 0.51491 | **+61.0%** |

这里“相对 CV 改善”为负，表示恶化。

原始首/末四分位比：

```text
Baseline：3.65×, 3.90×, 3.66×
Block：   0.68×, 0.55×, 0.57×
```

Block 不只是把早层优势降到 1；它在三个 seed 中都略微“过冲”，变成末四分位平均更大。
但 `abs(log(first/last))` 仍比 Baseline 更接近 0，所以失衡改善。

三 seed 平均 normalized activation-gradient 的最高点：

```text
Baseline：layer 3 = 1.50× mean；layer 4 = 1.42×
Block：   layer 11 = 2.09× mean；layer 13 = 1.95×
```

Baseline 是宽而平滑的早层隆起；Block 是更局部的中后段尖峰。CV 对尖峰敏感，所以升高。

### 6.2 depth-32

| seed | Base CV | Block CV | 相对 CV 改善 | Base imbalance | Block imbalance | 相对 imbalance 改善 |
|---:|---:|---:|---:|---:|---:|---:|
| 2026073001 | 0.36109 | 0.64203 | −77.8% | 1.10030 | 0.20781 | +81.1% |
| 2026073002 | 0.37162 | 0.72997 | −96.4% | 1.14087 | 0.43810 | +61.6% |
| 2026073003 | 0.40320 | 0.42685 | −5.9% | 1.25169 | 0.33417 | +73.3% |
| 均值 | 0.37864 | 0.59962 | **−60.0%** | 1.16429 | 0.32669 | **+72.0%** |

原始首/末四分位比：

```text
Baseline：3.01×, 3.13×, 3.50×
Block：   0.81×, 0.65×, 1.40×
```

三 seed 平均 normalized spectrum 的 Block 峰值：

```text
layer 21 = 3.04× mean
layer 22 = 2.41×
layer 23 = 1.91×
layer 25 = 1.77×
```

depth-32 每个 AttnRes aggregation group 含 4 个 Transformer blocks。21–24 是第 6 组，
25–28 是第 7 组。尖峰集中在这两个中后段组附近，是数据中直接可见的结构；但仅凭本实验
不能断言 pseudo-query、某个 source 或组边界是唯一因果。

### 6.3 seed-3 的中期反例

depth-32 seed-3 在 step 2,000：

```text
Baseline CV 0.39965
Block CV    0.34914
```

此时 Block 更平；到 step 8,000 才变成：

```text
Baseline CV 0.40320
Block CV    0.42685
```

前两个 seed 在 step 2,000 已明显恶化，seed-3 没有。网站必须保留 seed switch，不能用最终
均值倒写成“三个 seed 从头到尾都一样”。

## 7. 绝对梯度尺度：更平不等于更强

最终 activation-gradient mean：

| depth | Baseline | Block | Block / Baseline |
|---:|---:|---:|---:|
| 16 | 约 `2.02×10⁻⁴` | 约 `1.16×10⁻⁴` | **0.574×** |
| 32 | 约 `1.44×10⁻⁴` | 约 `0.78×10⁻⁴` | **0.544×** |

所以 Block 的首尾比更接近 1，并不是因为它把晚层全部抬高到 Baseline 早层的强度。更接近的
描述是：

> 整体尺度下降，早层系统性高值被削弱，同时某些中后段位置相对全层均值形成尖峰。

这也是只看 normalized curve 或只看 CV 都不够的原因。

## 8. 参数梯度没有翻转 Round 04

最终核心参数梯度 CV：

| depth | Baseline mean | Block mean | Block / Baseline |
|---:|---:|---:|---:|
| 16 | 0.41596 | 0.68287 | 1.64× |
| 32 | 0.39661 | 0.77176 | 1.95× |

6 / 6 个配对中 Block 都更高。Round 04 的反结果不是在把梯度对象改成 activation 后自动消失；
两种梯度对象在本轮 final endpoint 都显示更高的跨层 CV。

但 activation gradient 又显示首尾失衡大幅改善，这说明“均匀”至少要拆成：

```text
首尾是否平衡
全层是否有尖峰
绝对尺度多大
参数更新信号是否平衡
```

一个标量不能代替全部。

## 9. Output RMS：最接近论文叙述的正向结果

三 seed 最终 post-MLP output RMS 的最后/第一层比：

| depth | Baseline | Block |
|---:|---:|---:|
| 16 | 4.59× | 1.17× |
| 32 | 6.08× | 1.89× |

Baseline output magnitude 随深度明显累积；Block 把增长限制在 aggregation group 内并产生
周期性 reset。这个缩小实验的 output-RMS 方向与论文 Figure 5(b) 的叙述一致。

仍不能把数值直接叠到论文图上：

- 模型宽度、深度和数据不同；
- 训练 Token 相差巨大；
- 论文图的确切 output norm / reduction 也未完整公开；
- 本实验的 Block group 是 8 组固定设计。

## 10. 验证 BPC 与真实成本

最终 BPC：

### depth-16

| seed | Baseline | Block | Block − Base |
|---:|---:|---:|---:|
| 2026073001 | 1.74880 | 1.73739 | −0.01141 |
| 2026073002 | 1.73683 | 1.73118 | −0.00565 |
| 2026073003 | 1.73637 | 1.72661 | −0.00976 |
| 均值 | 1.74067 | 1.73173 | **−0.00894** |

### depth-32

| seed | Baseline | Block | Block − Base |
|---:|---:|---:|---:|
| 2026073001 | 1.71790 | 1.71235 | −0.00554 |
| 2026073002 | 1.72698 | 1.70932 | −0.01765 |
| 2026073003 | 1.70951 | 1.70310 | −0.00642 |
| 均值 | 1.71813 | 1.70826 | **−0.00987** |

6 / 6 为负。这是有价值的次要方向，但 Round 05 没有为 BPC 再预注册一个新的 support 阈值，
因此不追加事后显著性结论。

真实成本：

| depth | Base mean ms | Block mean ms | time ratio | Base peak alloc | Block peak alloc | memory ratio |
|---:|---:|---:|---:|---:|---:|---:|
| 16 | 21.47 | 54.71 | 2.55× | 3.04 GB | 6.54 GB | 2.15× |
| 32 | 42.11 | 109.38 | 2.60× | 5.94 GB | 12.82 GB | 2.16× |

这个简单 eager 实现没有论文训练系统的 kernel、并行或工程优化；成本数值不应外推到 K3。
但它足以说明本站的 BPC 对比不是同 wall time / FLOPs。

## 11. 预注册判定为何是 mixed

支持需要：

```text
CV：3 / 3 seeds 改善，平均相对改善 ≥20%
AND
imbalance：3 / 3 seeds 改善，平均相对改善 ≥20%
```

concern 需要两项都以相同规则恶化。

实际：

```text
depth-16：
CV 3 / 3 恶化，平均 10.3%
imbalance 3 / 3 改善，平均 61.0%

depth-32：
CV 3 / 3 恶化，平均 60.0%
imbalance 3 / 3 改善，平均 72.0%
```

两个指标相反，所以两个 depth 都是 `mixed / inconclusive at this depth`。这不是“数据没规律”，
而是预注册的“更均匀”概念被实验拆成了两个方向相反的组成部分。

## 12. 开放工件与校验哈希

| 工件 | SHA-256 |
|---|---|
| manifest | `080afb17…6371` |
| protocol | `f772629b…ce22` |
| definition audit | `79221c56…cc6` |
| runner | `04ae69e1…800f` |
| analyzer | `017d38d9…2fc8` |
| aggregate canonical | `69be133c…7b51` |
| compact canonical | `8cdb7180…044f` |
| reproduction canonical | `addb2e59…f68a` |

公开目录包含：

- 12 个完整 formal raw JSON；
- 8 个两套 smoke raw JSON；
- 1 个完整 replay raw JSON；
- 完整 aggregate；
- 网站 compact payload；
- manifest、runner、analyzer 与 reproduction 清单；
- 前置定义审计、本协议和本结果审计。

`experiments/k3/attnres_gradient/reproduction.json` 记录每个 raw 文件 SHA-256。

## 13. 允许和禁止的结论

允许：

> 在本轮公开定义下，Block AttnRes 一致缓解了首/末深度四分位失衡，但在中后段形成局部
> 梯度尖峰，导致全层 CV 一致升高；因此“梯度更均匀”必须拆成多个指标解释。

> 同 token / step 预算下，Block 的最终验证 BPC 在 6 / 6 个配对中更低，但实际运行成本
> 约为 Baseline 的 2.6× step time 与 2.2× peak allocated memory。

禁止：

- “复现了论文 Figure 5(c)”；
- “论文的梯度结论是错的”；
- “已测到 Kimi K3 checkpoint 的真实梯度”；
- “Block 解决了梯度消失 / 爆炸”；
- “CV 更高就代表训练一定更不稳定”；
- “BPC 改善是同 FLOPs / wall time 优势”；
- 从 3 seeds 推导总体显著性；
- 从 depth 16 / 32 外推到 48B、1T+400B Token 或 K3 2.8T 参数。

## 14. 下一步最值得问什么

这轮已经把“梯度”从一个模糊词拆成了可复查对象。下一个有价值的问题不是再换一个漂亮
汇总指标，而是追踪局部尖峰从哪里来：

1. 分开捕获 pre-attention 与 pre-MLP residual positions；
2. 把 layer 21–25 的 activation-gradient 与 mixer source weights 同步对齐；
3. 比较 aggregation-group boundary 前后；
4. 在不改变 formal 结果的前提下，对相同 raw gradient tensor 做多种公开 reduction
   sensitivity analysis；
5. 若官方之后发布 Figure 5 telemetry 代码，再按其定义单独开新 protocol。

这些属于后续轮次，不能倒写进本轮预注册结论。