手机实现GPT级智能，比MoE更极致的稀疏技术：省内存效果不减_风闻

量子位智库

量子位 | 公众号 QbitAI

在大模型争霸的时代，算力与效率的平衡成为决定胜负的关键。

端侧部署一直是大模型落地的最后一公里，却因算力瓶颈困难重重。

面壁智能和清华走出了一条与MoE不同的路径——神经元级稀疏激活，让模型在保持性能的同时大幅降低资源消耗。

这次技术探索的背后，是一个融合脑科学灵感与工程创新的故事。

△《Configurable Foundation Models: Building LLMs from a Modular Perspective》论文本期**「大模型创新架构」主题访谈**，量子位邀请到面壁智能&清华CFM论文作者肖朝军，聊聊这场算力与效率的博弈以及大模型架构创新的未来。

以下为量子位与面壁智能&清华CFM论文作者肖朝军的对话实录整理：

探索原生稀疏

量子位：能简单介绍一下CFM（Configurable Foundation Models）技术的核心优势吗？

**肖朝军：**CFM是一种原生稀疏技术，利用模型本来就有的稀疏激活性质，相比MoE可以极大提升模型参数效率。

量子位：参数效率是什么？极大提升参数效率意味着哪些优势？

肖朝军：参数效率是指模型单位参数的有效性，一般能够反映在相同参数规模下，模型是否表现更好。参数效率提升最直接的影响就是省显存、省内存。

尤其手机端不可能像云端一样用好几台GPU服务器一起推几千亿参数规模的模型。手机内存有限，操作系统占一部分，个人应用需要一部分，如果大模型把内存占满，那手机基本上就不可用了，所以参数效率在端侧应用里非常重要。

量子位：CFM与MoE（Mixture of Experts）的区别在哪里？

肖朝军：我们的稀疏粒度更细，更强调神经元级别的稀疏，可以说CFM的颗粒度比其他许多在FFN层做稀疏化改进的工作要更细，在稀疏化上走得更极致。

现在超大参数规模的MoE稀疏化可能已经成为主流，但不适合端侧。MoE的稀疏粒度是专家级别，CFM是神经元级别，而且CFM动态性也强于MoE。MoE固定激活Top k个expert，CFM是靠模型自己的激活函数来定义具体激活多少expert。

任务难的话可能需要激活10-100个，任务简单可能就激活1-2个。

△CFM积木式组合构建高效任务模型量子位：为什么MoE不使用你们这种更强的动态性？

**肖朝军：**本质是参数效率原因。

MoE的目的是增大模型参数，比如600B的模型无法在一台机器上放下，必须在训练过程就卡死激活专家的数量，必须限制住最多激活top k或top p个专家，要不然就可能算不下了。

他们必须在训练阶段就要有负载均衡的loss，使每个expert和每个token大致均衡。而我们参数效率高，所有参数可以放在一起像传统稠密模型的FFN一样计算。

△涌现模块的形成过程示意图模型架构之争量子位：你怎么看待像Mamba、RWKV这些计算复杂度为线性的非transformer架构模型带来的挑战？

**肖朝军：**从模型效果上来说，transformer仍是天花板最高的架构。当前所有其他的非transformer架构探索都是在做效率，而不是效果。

我观察目前优化路径大概有两种：

一种是线性派，包括Mamba、Linear Attention、Gated Linear Attention、RWKV等；

另一种是基于transformer，但对KV cache做管理，比如KV eviction、KV compression等。做FFN改进的其实不多，我们强调的稀疏可能是FFN改进中非常重要的一点。

量子位：很多非transformer架构都在多个测试集上打败了主流transformer模型，你怎么看？

**肖朝军：**需要辩证看待。

首先要考虑公平性，比如Mamba实际上有固定的memory，在短文本时可能memory size更大，这可能是用更多存储换取更好效果。

像RULER等一系列长文本评测中，线性模型目前还是打不过transformer。大家报的结果都是”在某方面比transformer好”，但为什么没有广泛应用？因为没办法全面打败transformer。

**量子位：今年1月份大模型六小强中的一家训的千亿参数线性attention模型在RULER上打败了GPT-4o、Claude-3.5-Sonnet等transformer模型，你怎么看？****肖朝军：**他们的模型是混合架构，纯线性很难做到同样的表现。但能有这样的成绩说明他们混合之后的效果还是很厉害的。

量子位：如何才能客观评价模型架构之间的优劣？

**肖朝军：**确实很难有一个放之四海而皆准的评判方式。transformer之所以取代CNN和RNN成为主流，是因为它真的能scaling。

之前的架构是scaling不了的，transformer带来了一种新可能性：我们可以训练很大的模型，用很多数据获得更多智能。而且它不需要任何trick，不需要人为调参就能获得好效果。

量子位：你认为transformer成为主流架构有偶然性吗？

肖朝军：既有偶然性也有必然性。有个概念叫“硬件彩票”。

软件往往走在硬件前面，我们会开发很多算法，但真正实现加速的是被硬件厂商选中的那种。transformer高强度对着GPU设计，真能打满GPU利用率，所以踩中了硬件彩票。

现在的Mamba、RWKV谁能踩中下一波硬件彩票，谁也说不准。

△硬件彩票内涵小模型与智能未来量子位：目前一个小模型的定义是多大size？最小能在什么尺寸的模型里压缩进主流大模型的能力？这个极限在哪？

**肖朝军：**现在小模型的大小没有明确定义，基本上端侧的话，可能还是在2-3B的范围算小模型。

关于模型压缩极限，我们发表过Densing Law的论文，但极限在哪里我们确实还不知道。很多人问未来是不是用64个比特就能放下GPT-4，那显然不可能，但具体极限还不明确。

量子位：智能的本质是压缩吗？

**肖朝军：**这样说有点怪。之前有一篇“语言模型即压缩”的论文，只是把压缩率和PPL做了转换，这很难说成本质。

Ilya最早提出智能本质是压缩这个思想的时候，强调的是“压缩器”能够很好地建模数据分布规律，而不是直接用语言模型来构建数据压缩器。

Hinton说过，智能的本质是学习，就是学习能力才是智能的本质。我认为抽象能力可能更接近智能本质。你看语言本身就是一种符号，能表征世间万物，承载人类知识，是抽象和总结的载体。

量子位：面壁智能的小模型落地情况如何？

**肖朝军：**我们开源的最大模型是是MiniCPM-3-4B，也有一些未开源的项目级模型可能有几十B。

我们的端侧场景很广泛，包括手机端、电脑端、智能家居等都在射程范围。

△面壁智能官网量子位：精度优化方面，你们怎么看FP8等低精度计算？

**肖朝军：**精度降低后模型效果会变差，需要非常多的设计才能保证效果。

但现在DeepSeek已经开源FP8算子部分了，只要跟着做一些补全就行，现在再训新模型的只要有卡肯定都上FP8了，25年会更多人做FP8，做的更实用更激进。未来还会有FP4，一步步发展。

量子位：小模型在多模态方面有限制吗？

**肖朝军：**效果都挺好的。小模型在多模态这块，从打榜上看差异没有那么大。你会发现多模态现在还没有一个非常漂亮的scaling law。

而且也还没有一个统一共识的多模态模型架构。知识能力上，小模型可能还有差距，差距主要体现在对知识的调度和理解上。

量子位：你怎么看o1的这条技术路线？

**肖朝军：**o1主要是用强化学习和高质量数据，强调强化学习和推理的scaling。当前强化学习整个推理过程很慢，硬件利用率也不高，这会使强化学习过程需要使用大量算力但模型思考步数不深、探索空间不够。

未来肯定会继续往高效的深思考方向发展，让模型能够生成超长的思维链，之后会像pre-training一样，先把强化学习的训练规模做上来，然后再往小做、往高效做。

量子位：超长文本推理会是transformer架构的下一个突破点吗？

**肖朝军：**对，CoT（思维链）是目前很重要的方向。这种长思考一定是下一波大家要突破的点。

目前o1这种长思维链和普通的长文本大海捞针完全不同。大海捞针只是找到信息就完事了，而o1的长思维链需要回到当时的状态，重新做推理、重新搜索。

思考的时候走一条路走到底之后，可能还要继续之前考虑过的另一条路。现有测试集都很难全面评测o1这种长思维链能力。

△直接推理与思维链区别示意o1之后，我觉得下一步还有一个很重要的问题是创新能力的问题。就像OpenAI的技术规划，到后面有个innovation。

现在的搜索还是在已有的语义空间去搜索，但是真的要让AI去做创新出之前没有的东西，去探索一些新的未知的事物的时候，它一定要跳出之前预训练阶段见过的所有的东西去突破，但这个事情咋做？还不知道。

量子位：对于长文本推理，线性架构会有优势吗？

**肖朝军：**目前没有实证研究证明纯RNN模型的推理能力，我个人认为类RNN的线性架构技术路线大概率会失败，混合架构另当别论。

效果为王，解决不了效果问题，谈效率是不现实的。

现有RNN模型其实等价于滑动窗口，在推理中会对记忆不断乘一个遗忘系数。即使遗忘系数连续一万步都是0.999这么大，那一万步之前的内容也会遗忘完，上限天然太低。

量子位：大模型不可能三角（大模型无法同时实现低计算复杂度、高性能和并行化）问题有解决方案吗？

**△大模型不可能三角示意肖朝军：**这个问题依旧存在，Mamba也依然没有解决。如果真解决了，现在大家都会用起来。

Mamba等线性模型在短文本上能与transformer打平或更好，但长文本上仍有压缩，而压缩一定代表信息损失。我们还是无法兼顾计算复杂度和效果。

这个问题也许长期来看可以解决，因为人类思考也不是O(n²)复杂度的，不需要把之前所有KV都算一遍。但人脑存储可能是分级的，有长期记忆和短期记忆，还可能利用外部工具如笔记本。具体怎么解决，目前还没有摸到答案。

论文地址：https://arxiv.org/abs/2409.02877