像素级对标？智谱、Kimi 底层参数「撞衫」背后，藏着线性注意力的黄金窗口

昨晚，智谱 AI 认领了最近一周在 OpenRouter 盲测榜上风头最盛的“牛来”模型，正式命名GLM-5.3-Flash。

这款上线首日就登顶 OpenRouter 调用量榜单，刷新全网长文本性价比斩杀线的国产模型，在底层架构上展现出“集百家之长”的特质。

它采用了混合架构，将 DeepSeek 的稀疏注意力机制（NSA） 与 Kimi 赖以成名的线性注意力机制结合 ，再叠加DeepSeek的流形约束超连接（mHC）技术，可以大幅降本提效。

今天早上，月之暗面核心研究员、“注意力残差”论文作者陈广宇，仔细研究了 GLM-5.3-Flash 的模型配置文件后，贴出一张 Kimi K3 和 GLM-5.3-Flash 的底层代码对比图。

他发现两者不仅都采用了 KDA 线性注意力，排布逻辑高度重合，连核心参数“遗忘门下界”（gate_lower_bound） 同样是 - 5。

从 Kimi K3 公开技术报告到智谱上新，还不到一个月。有人感叹：哪怕是参考了 Kimi 的公开参数，短短 20 天内就能推出这么强的模型，也太惊人了。

这背后其实是一种技术必然。在大模型长文本的深水区，KDA，尤其是它的核心参数，一直是实现“长记忆”和“训练稳定性”的关键。线性注意力发展到今天，数值稳定的最优区间本就极度狭窄。即便是顶尖团队各自独立试错，最终也往往会收敛到同一个数值。

-5数值背后，既是Kimi K3在开源领域的巨大辐射力，也揭开了中国最顶尖的大模型团队，正不约而同迈进了同一个底层算子优化的技术深水区。

01

KDA的核心参数，为什么都选择-5？

为什么两家顶尖大模型团队，会不约而同地把 KDA 的核心参数设为 -5？要解答这个问题，得先搞懂大模型在长文本赛道经历了什么。

为了把成本打下来，行业开始转向“线性注意力”路线。月之暗面的 KDA 正是其中代表。

它不再保存全量 KV 缓存，而是用一块固定大小的状态矩阵压缩历史信息，模型一边写入新内容，一边用一个名为 “遗忘门” 的组件来控制旧信息的衰减。这样无论后续涌入多少文本，占用的显存基本保持恒定。这也是近期百万级长文本 API 能卖出“白菜价”的底层逻辑。

但这套 “压缩记忆”的模式 也有自己的天然缺陷，那就是数值溢出。

线性注意力靠循环乘法来更新状态，当它每处理一个新 Token，旧状态就要乘一次遗忘门系数。当上下文越来越长，乘法次数多了，数值要么不断变小直到彻底归零，要么反向暴涨成无穷大。这个过程，只要算出一个错误结果（NaN），训练直接崩溃，千万级算力直接打水漂。这就是线性注意力过去没有被广泛使用的原因。

这个瓶颈卡了很多年，直到一个名叫杨松霖的哈佛博士生，发表门控线性注意力（GLA）论文，系统提出门控状态衰减方案，这一问题才有了系统性的学术解决思路。他首次系统提出必须给状态衰减设一个“下限”，不允许它无限趋近于 0。

但从学术成果到大规模工业落地，仍有不少问题。

当月之暗面（Kimi）团队基于 GLA 演进出自研的 KDA 架构，试图将上下文推向 100 万字时，直接撞上了底层芯片的物理极限。

在大规模预训练中，万卡集群普遍使用的是 fp16 或 bf16 半精度浮点数，其数值动态范围极其狭窄。而线性注意力需要对超长序列进行数万次循环累乘，在这种递推计算中，任何微小的数值发散，都会在半精度芯片的反复乘法中被迅速放大。最终触发 NaN（非数）崩溃，导致高昂的训练算力成本折损。

为了规避这种因数值不稳定带来的算力风险，Kimi 的底层架构团队直接下潜到硬件算子层，在自研的 FlashKDA CUDA 内核里，设定 gate_lower_bound = -5。

-5 经过激活函数转换后，大约对应 0.67% 的留存率。这意味着，哪怕模型决定遗忘某段信息，也会被强制保留 0.67% 的旧信息。

至于为何是 - 5 这个数值，这是靠海量工程试错找出的黄金平衡点。

如果设得太高，比如设在 - 3，对应的留存比例约为 5%，旧信息在矩阵中过度堆积，会导致网络过载、梯度爆炸或上下文混杂幻觉。

如果数值太低，比如设在 - 8，对应留存比例仅约 0.03%，模型会出现严重的 “健忘症”，长文本读到后面就忘记前面的关键信息，在长代码调试、长财报分析等需要精准召回的任务直接失效。

-5 恰好卡在中间。在预训练中，它为算子底层的稳定性“保驾护航”；在推理端，它则是性价比之王，让线性注意力机制得以在极低的显存开销下稳住长文本召回率，使百万级长文本的商业化落地真正成为可能。

02

同样是 -5，

Kimi和智谱又走出不同的路

但同样选择 - 5 的遗忘门下界，对于Kimi 和智谱又是不同的意味。

对于Kimi K3而言，它采用的是混合注意力架构，用线性注意力承接长上下文的记忆压缩，把显存和推理成本打下来；同时，它也用传统 Softmax 注意力，处理复杂逻辑推理，保证核心能力不打折。

在这套架构里，gate_lower_bound=-5从预训练启动的第一天就已嵌入，是原生设计的一部分。这个数值是 Kimi 团队在自身万卡级预训练中，通过大量试错踩出来的稳定解。 这些都在Kimi K3公开技术报告里体现了出来，底层算子怎么实现、配置怎么设、工程上踩过哪些坑，全部公开。

而智谱 GLM-5.3 Flash 的配置文件中，虽然出现了完全一致的 gate_lower_bound=-5，但陈广宇猜测这很有可能是“中途注入”。

这种操作在工程逻辑上完全成立，甚至是很高明的策略。在预训练中后期追加门控约束，再用调低后的学习率续训一段时间，不需要推倒重来重置权重，就能让一个原本就在相近区间摸索的模型，快速对齐行业验证过的最佳实践。这种打法省下的是动辄数亿的底层试错算力，体现的是智谱极强的工程落地效率。

当然这并不意味着仅靠改一个数字就能迭代出新模型，智谱本身在线性注意力方向已有数月研发积累，更合理的逻辑是，团队原本就在相近区间内做实验，看到 Kimi 报告明确验证了 - 5 在大参数量级下的稳定性后，直接采用了这一经过工业验证的最佳实践，省去了大量重复试错的成本。

那么，中途加入这样一个底层约束，到底会不会影响模型的实际表现？

评论区有一位开发者Oliver Sieberling认为，这属于 “非侵入式改动”。遗忘门本身是模型自适应学习的结果，加一个下限只是卡住了极端取值，并不会改变遗忘门本身的学习目标，对模型主体的扰动极小，更像加了一道安全护栏，性价比很高。

但这一取舍也有一定的风险，比如隐性分布偏移的危害。 模型经过几千万步预训练，已经形成了 “遗忘门可以调到极低” 的内在行为模式，中途突然锁死下限，相当于半路修改了底层运行规则。表面上看训练损失、公开基准跑分都正常，但模型内部的记忆分布其实已经悄悄发生了偏移。

这种偏移很难通过常规测试发现，但在 50 万字以上的超长代码、超长文档这类极端长尾场景中，可能会因为残留信息持续累积出现 “慢性中毒”，产生一些逻辑错误。

事实上，在长文本底层优化这条赛道上，并非只有这一条路线。国内另一家顶尖玩家 DeepSeek，就走出了完全独立的技术路径。

他们没有采用 Delta Rule 谱系下的 - 5 门控方案，而是沿着自研的 MLA（混合潜在注意力）与 NSA（原生稀疏注意力）持续演进，通过低秩压缩和硬件级算子优化，在另一套数学框架里实现了长序列的数值稳定。

为什么中国最顶尖的大模型团队，都集体下潜到算子层，死磕长文本的底层计算瓶颈？答案藏在大推理模型时代的算力账本里。

自 o1 与 DeepSeek-R1 开启强化学习大推理时代以来，模型在后台进行深度推导时需要自主生成几十万字的“思维链（CoT）”Token。如果还固守传统 Transformer 平方级增长的算力成本，超长思维链带来的显存黑洞，会直接吞掉任何一家公司的商业毛利。

从这个角度看，参数 “撞衫” 从来不是抄袭的佐证，而是行业集体挺进技术深水区时，必然会出现的技术趋同。

03

参数战之后，

是品味、效率与创新的真正较量

回到最初的问题：智谱有没有“参考”Kimi的参数？

在“exe文件比txt文件重要”的工业界，这个问题其实已经不重要。大语言模型的技术日新月异，如果一直固守传统Transformer架构，在强调只讲究数学规律和商业ROI的产业界完全行不通。-5这个参数，不是属于谁的专利，而是在攀登技术高峰中，目前唯一一条被探明、不会摔得粉身碎骨的安全道路。

当大模型公司的竞争下沉到算子优化、数值边界、训练工程细节这些看不见的底层功夫。参数战之外，还有品味战、效率战、创新之战。这本身就是行业成熟的信号。

任何经受住万卡集群实战检验的“最佳实践”，都会在最短的时间内沦为行业的通用基建。这也解释了为什么国产大模型在长文本处理与超低成本推理上，能在极短时间内逼近甚至斩落国际顶尖闭源模型的身位。

因为在极致的算力压迫下，中国最顶尖的顶尖大脑，正在以一种惊人的敏捷度，最终都会不约而同地攀上统一做山峰的极顶，向物理极限不断发起挑战。

参考链接：https://x.com/nathancgy4/status/2092626984362725877

https://x.com/Zai_org/status/2092616204787626030

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。