连马斯克、Andrej Karpathy 都纷纷点赞，DeepSeek 和 Kimi 前后脚都盯上的 “残差连接”，到底是什么？
最近，Kimi 放出一篇重磅新论文，瞄准一个过去十年几乎没人动过的 Transformer 底层根基：残差连接（Residual Connection）。残差连接由何恺明于 2015 年在 ResNet 论文中提出，此后便成为深度学习领域的标配。
简单来说，可以把大模型的 Transformer 架构，想象成一支几十人排成长队的“传话小组”，那么残差连接就像一条规定：每个工人听完前面所有人的话后，都往里面再补一句，然后原封不动往后传。
这套规则长这样：
但这会带来一个麻烦：队尾的工人收到的话，是前面几十个工人的内容全堆在一起的，越往后话越乱、越长，前面工人说的重点被埋住了，后面工人加的内容也没人听得清，AI 就变笨了。这叫“稀释问题”。
于是，Kimi 想到把 “注意力机制” 引进来解决这一问题，它提出一个新的规则：“注意力残差”（Attention Residuals）。如同给工人们配备了“智能筛选器”，不用再全盘收下前面堆出来的大杂烩，可以选择重点听前面自己关心的内容。
结果，AI 变得更聪明了。不仅实现了全场景的稳定提升，在研究生级专业考试、高等数学推理、代码生成、超长文本理解这类真正考验 AI 硬实力的高难度任务上，更是直接实现了 3-7.5 个点的暴涨。
而且更省钱了。在 Kimi 自家的大模型架构上验证显示可以节约 1.25 倍算力， 而训练端到端额外开销 不到 4%， 推理延迟增加不到 2%，基本没什么额外负担。
而且它完全适配大模型的缩放定律，模型规模越大，这套规则的优势越明显。
Kimi 论文里的精彩关注点
残差连接之所以能存在这么久，是因为它为 AI 信息的流动开了一条“主干道”，把教 AI 的纠错信号一路传下去，从而让深层网络更容易训练，不会把前面的好东西丢掉。
但这有三个致命问题改不了，分别是：
不能挑着听：不管是负责“抓重点”的工人，还是负责“整理内容”的工人，都只能听前面堆成一团的话，不能自己选听谁的
丢了的内容找不回来：前面工人说的重点，一旦被后面的内容盖住，就再也挖不出来了，AI 聊着聊着就忘了您最开始说的话
内容越堆越多：越往后的工人，必须扯着嗓子喊、加更多内容，才能让队尾听到，不然就被前面的内容盖住了，教 AI 的时候很容易教乱套
之前也有不少人想要改善这些顽疾，比如 PreNorm 这种，只是调整内容整理的顺序，完全不改变残差的固定累加规则，完全没改到根子上；或者 MRLA 这类，确实动了规则，但设计太复杂，AI 根本跑不动。
而 Kimi 的灵感，来自于他们发现，“序列维度上的时间问题和深度维度上的曾问题，本质是同一件事”。
当年 AI 读长句子，只能一个词一个词往后传，前面的内容记不住，后来发明了注意力机制，让 AI 能自己选句子里哪个词重要，一下子就解决了。而这和“工人队伍里传话的先后顺序”，本质上是一样的。
注意力残差链接的具体做法就是：
1. 每个工人，都能直接听到前面所有工人的原声，还能打分，分数高就多听，分数低就少听，最后把所有话按分数合起来，再自己加工，传给下一个人
2. 打分是不固定的：处理数学题的时候，就多听负责逻辑的工人的话；处理聊天的时候，就多听负责语气的工人的话，特别灵活。
而公式也变成了这样，其中α就是前面所说，智能筛选器给前面每个工人打的“重要性分数”。
为了让这一套机制真正落地，Kimi 推出了“省力好用版”的注意力残差 ，即“分块注意力残差”（Block AttnRes）。
它会把工人分成几个小组，每个小组内部用标准残差连接做累加，类似于“小组总结”，而组与组之间再用 Attention 来做选择性收听。这样一来，大大节省了成本开支。
为了进一步优化成本，Kimi 团队还做了两项针对性优化：
面向训练过程的 “跨阶段缓存”：已经传过的旧内容直接存在本地不用反复来回发，每次只传新生成的内容，大幅节省算力、提升训练效率。
面向推理过程的 “两阶段计算策略”：将 AI 生成回复前，先把要用到的历史内容一次性找齐，再一步步算结果，不用每算一个字都重新翻一遍历史，响应更快，用户几乎感知不到任何延迟。
最后，Kimi 实际测试了 5 种不同大小的 AI，从 194M 到 528M，分对比了传统残差连接、注意力残差连接和分块注意力残差的实际效果。
结果发现：
不管 AI 是大是小，注意力残差连接都比传统残差连接犯错更少、更聪明
分块注意力残差连接，花同样的钱，能达到传统残差连接 1.25 倍算力才能达到的效果
AI 规模越大，分块版和完整无损版的注意力残差连接效果越接近，超大 AI 里，两者几乎一模一样
Kimi 还做了一系列消融实验，证明注意力残差连接中的每个设计，都必不可少：
必须用“随内容变的打分”，如果用固定的分数，效果就很差，甚至不如传统残差连接
必须用 softmax 打分，不然 AI 就不会果断选重点，效果变差
必须先把内容整理通顺再打分，不然信息容易盖住其他人，效果变差
分成 8 个左右的小组，效果最好
Kimi 的新设计给了 OpenAI 大神 Andrej Karpathy 不少启发，他忍不住深思，“注意力机制”是不是可以运用到更多的地方去？
有网友直接指出，或许 Transformer 中不少“长期沿用的配置”，都可以动一动了。
还有网友激动地将 Kimi 奉为“新的 DeepSeek”。
DeepSeek 与 Kimi 的解法有什么不同？
虽然都是对残差连接进行创新，但 DeepSeek 推出的 mHC 却和 Kimi 的 AttnRes 走出了两条路。
如果把残差连接理解成 AI 内部的一套“传话机制”，那两家的分歧，首先来自于它们对“问题到底出在哪”的判断不同。
DeepSeek 的思路是，信息主干道太挤，信息才会乱，那就拓宽多条并行专线，用学习好的规则在专线之间混合、传递。
Kimi 的思路则是，信息主干道不能挑重点才会乱，那就给筛选权。
这也带来了两者在能力边界上的关键差别，DeepSeek 的做法只能听到 “混合后的二手内容”，听不到原版原话，而 Kimi 的做法能直接听到 “所有前面的原版原话”，想找谁的就找谁的。
两者都能提升基础效果，但擅长的领域完全不同，差距主要在复杂任务上。
mHC：主打 “训练稳定性”，基础能力有提升，复杂任务乏力
它的核心价值是能把模型做的更深，训练的时候不会乱套，解决了深层模型训练崩溃的问题，在基础的语言理解、闲聊场景有稳定提升。但在需要多步推理、长上下文记忆、精准逻辑回溯的任务上，比如数学、代码、专业考试、长上下文问答，提升非常有限 。原因正在于它不擅长让模型“精准找回某个早期关键步骤”。
AttnRes：兼顾稳定性 + 复杂推理，长上下文 、逻辑题提升碾压
它不仅解决了深层模型的训练稳定性问题，更擅长需要精准回溯、多步推理的高难度任务。
两者在落地适配性上天差地别。
DeepSeek 的 mHC 更像伤筋动骨的大改造，得把现有 AI 的单流架构完全改成多流并行架构，每层都要加新的流处理模块，还要重调全套训练参数，没法直接替换传统残差连接，老模型基本没法直接升级，跟拆房重盖没两样，适配成本极高。
而 Kimi 的 AttnRes 是即插即用的替换件，只需要把模型里原来的残差连接模块换成 Block AttnRes，其他模型结构、训练参数全都不用动，老模型直接升级就能拿到效果提升，就像给房子换个好门锁不用拆墙，适配成本极低。
从已有对比看，Kimi 似乎拿到了更好的“性价比”。
有网友将 Kimi 的 AttnRes 将与 DeepSeek 的 mHC 进行了性能对比，发现在 Kimi 的消融实验中，Kimi 完整无损版本的 Full AttnRes 性能始终优于 mHC，而 Block AttnRes 的性能与之相当，但 Kimi 的方案需要读写的数据量，只有 DeepSeek mHC 的 1/6。
这意味着，在大模型真正走向大规模工程部署的语境下，Kimi 的路线可能具备更强的现实吸引力。
过去十年，Transformer 的大部分创新都集中在注意力、FFN、MoE、位置编码和训练数据上。残差连接则像空气一样存在，重要，但过于基础，以至于几乎没人认真去动它。
而现在，DeepSeek 和 Kimi 先后出手，或许正释放一个信号：当数据红利逐渐到顶，过去的大模型比拼的是“谁能堆更多算力，那么下一代大模型，或许要开始学会“管信息”来拉开差距。
参考链接：
https://github.com/MoonshotAI/Attention-Residuals/blob/master/Attention_Residuals.pdf
