Megatron Float16Module 的参数传法
Megatron 的 Float16Module 只会把位置参数转换成半精度（bf16/fp16）。一旦只用关键字参数，输入会保持原 dtype，导致前向混用 fp32/bf16。
1 相关代码
代码位置：megatron/core/transformer/module.py#L404 https://github.com/NVIDIA/Megatron-LM/blob/main/megatron/core/transformer/module.py#L404
def forward(self, *inputs, fp32_output=True, **kwargs):
if parallel_state.is_pipeline_first_stage(i...
ApexRMSNorm vs TENorm：bf16 大 weight 精度坑
bf16 下使用 ApexRMSNorm，一旦 weight/gamma/scale 放大，输出标准差看似稳定，但均值会随机机漂移；换成 Transformer Engine 的 TENorm 就恢复稳定。
1 RMSNorm
RMSNorm 只做均方根归一化，不减均值、也没有 beta 偏置：
\[y = \frac{x}{\sqrt{\frac{1}{d} \sum_{i=1}^{d} x_i^2 + \epsilon}} \odot \gamma\]
d 为 hidden size，γ 逐通道缩放，通常初始化为 1。
由于不减均值，输出是否“居零”高度依赖舍入误差；γ 越大，误差越容易被放大。
2 现象
在 bf16 下把 γ 放大（例如 >3.5，或...
TP 下的激活显存公式
大模型训练时，激活显存往往比参数显存更先成为瓶颈。为了在同样的硬件预算下堆更长的序列或更大的 batch，我们会把 Transformer 的矩阵乘拆到多张 GPU 上，也就是常说的 Tensor Parallel (TP)。这篇笔记把原始草稿整理成一篇小博文，记录 TP 如何影响每层激活的内存占用，以及从公式里可以读出的工程直觉。
1 每层激活显存的估算式
\[\text{Activations memory per layer} = s b h \left( 10 + \frac{24}{t} + 5 \frac{a s}{h t} \right)\]
这个式子描述了 单层 Transformer 激活显存 与多种变量之间的关系：序列长度 $s$、micro-batch 大小...
ZeRO 究竟算数据并行还是模型并行？
Zero（ZeRO, Zero Redundancy Optimizer）总被问：它究竟是数据并行（DP）的技巧，还是模型并行（MP）的变体？
本文把 ZeRO 放回数据并行的语境，解释它如何削减显存冗余、为何仍维持 DP 语义，以及和真正模型并行的根本区别。
1 数据并行的痛点：冗余状态
传统 DP 在每张卡上复制 完整模型：
参数、梯度、优化器状态都各存一份；
Backward 结束后 All-Reduce 梯度，保持副本一致。
随着模型变大，显存中堆着 N 份（N=GPU 数）相同状态，浪费巨大。ZeRO 的目标就是保持 DP 训练语义不变，却让这些状态不再 N 份复制。
2 ZeRO 的核心：分区状态而非拆计算
ZeRO 把模型状态切成片，平均分到不同 ...
MoE 实践梳理：并行策略、随机性与 DeepSeek
MoE 三个问题：如何并行、为何随机、怎样稳定
1. MoE 的模型并行 vs 数据并行
MoE 训练通常把“专家”视为模型并行单元，再与数据并行组合。下图直观展示了权重如何在 data parallel、model parallel 与 expert parallel 之间拆分：
Model Parallel：同一批 token 被切到不同设备，各自负责部分 FFN/attention 计算；适合巨型专家参数。
Data Parallel：复制一份完整模型，分批处理不同样本；用来堆 throughput。
Expert Parallel：把专家实例平均分发到多卡，token 依据路由结果被 permute 到对应设备。
实战中常出现“三明治”拓扑：DP 包...
注意力头设计
在不牺牲模型质量的前提下，如何从注意力头这一层入手，压缩推理显存、带宽与算力成本
1 绝大多数LLM为何仍守着标准多头
Transformer 诞生至今，最常见的还是经典多头注意力（MHA）：
\(\text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^\top}{\sqrt{d_k}}\right)V\)
每个 head 拥有独立的 Q、K、V，与其他 head 并行计算。GPT-3、LLaMA、Qwen 这些主流 LLM 之所以鲜少改动，原因主要有三：
训练可复现：生态里所有框架、算子库都为 MHA 做了极致优化，工程风险最小。
表达力充足：每个 head 面向不同子空间，模型容量不受限制。
推理成本仍可接受...
Softmax 数值稳定性的危机
大模型训练里，最常被忽略的炸弹往往埋在最熟悉的算子下。Softmax 同时包含指数与除法，一旦输入 logits 偏离正常尺度，就会把梯度链条整段炸成 NaN。本文把课堂随笔整理成一篇可查的博客，集中梳理 softmax 在注意力与输出层中的不稳定来源，以及工业界常用的工程缓解手段
1 Softmax 为什么会失稳
Softmax 把向量 $\mathbf{z}$ 转成概率分布：
\(p_i = \frac{e^{z_i}}{\sum_j e^{z_j}}\)
在自注意力中它直接作用在 $\frac{QK^\top}{\sqrt{d_k}}$ 上。问题在于，$QK^\top$ 的取值范围会随 hidden size、head dim、训练阶段而大幅波动，导致 softmax 出现...
Transformer 超参数的取舍
从 small model 到万亿 token 级的大模型，表现和效率往往被少量关键超参数左右：hidden size、前馈层扩张倍数、注意力头数与 head dim、词表大小、正则化策略以及深宽比例（aspect ratio）。随着参数预算与训练数据呈指数级增长，工程团队反而更依赖这些“旋钮”来稳定收益——一次错误的配置可能让数百万美元的训练算力付诸流水。本文把我在课程里的零散记录整理成一篇可查的博客，并加入实践中反复被问到的背景解释，方便之后设计或复现 Transformer。
阅读顺序上，可以先浏览第 1 节的速览表迅速建立数量级感知，再根据实际需求跳到单独的小节。如果你正打算把某篇论文的配置迁移到自己的项目里，建议直接对照第 7 节的顺序进行 sanity check。
1...
共计 159 篇文章，20 页。