Learn and share.
原文地址 第19章 Xiaomi MiMo-V2-Flash
2025 年 12 月又诞生了一款表现亮眼的模型。小米发布了全新的小米 MiMo-V2-Flash，其基准测试成绩与 DeepSeek V3.2 持平，但总参数量仅为后者的一半，推理速度也更快。这是一款总参数量 3090 亿的混合专家（MoE）模型，每个 token 的激活参数量为 150 亿。
有意思的是，它采用滑动窗口注意力（SWA）与全局（常规）注意力按 5:1 比例混合的设计，与 Gemma 3 的思路类似（见第 3 节）。不过它的滑动窗口尺寸设置得更为激进，仅为 128，是 Gemma 3（1024）的八分之一。
据我所知，这是目前规模最大的滑动窗口注意力模型。
此外，这款小米模型还采用了多 Token 预测（MTP）技术，具体介绍详见 12.3 节。
近期，各开源大语言模型厂商纷纷推出了面向效率优化的核心架构变体。例如上一节介绍的 Qwen3-Next，用高速门控 DeltaNet 模块替换了部分全注意力块；再如 DeepSeek V3.2 采用了稀疏注意力 —— 这是一种线性注意力变体，以牺牲部分建模性能为代价换取计算性能的提升（后续我会专门撰文详细介绍该机制）。
MiniMax-M1 也属于这类效率优化的模型路线，它采用的闪电注意力（lightning attention）是一种线性注意力变体，效率高于常规全注意力。我最初没有专门介绍 MiniMax M1，因为它的知名度不及本文讨论的其他部分模型。但全新发布的 MiniMax-M2 目前被认为是性能最强的开源权重模型（按基准测试成绩衡量），分量十足，不容忽视。
如下图总览所示，我将 MiniMax-M2 归为常规解码器式 Transformer 大语言模型，因为它没有沿用 MiniMax-M1 提出的高效闪电注意力变体。开发团队反而回归了全注意力方案，大概率是为了提升建模（以及基准测试）性能。
整体来看，MiniMax-M2 与 Qwen3 的相似度高得出人意料。除了层数、维度等规模参数不同，二者的核心组件基本一致。
该模型最值得关注的设计亮点，或许是它采用了「逐层」QK 归一化，而非常规的 QK 归一化。深入代码可以看到，它在注意力机制内部的实现如下：
self.q_norm = MiniMaxText01RMSNormTP(self.head_dim * self.total_num_heads, eps=...)
self.k_norm = MiniMaxText01RMSNormTP(self.head_dim * self.total_num_kv_heads, eps=...)
此处隐藏层维度等于所有注意力头拼接后的总维度（头数 × 单头维度），因此 RMSNorm 的缩放向量会为每个注意力头、以及头内的每个维度都分配独立的参数。
所谓「逐层」，是指用于 QK 归一化的 RMSNorm 和常规 QK 归一化一样，定义在每个 Transformer 块内部；但额外的区别是，它不在多个注意力头之间共享参数，而是为每个注意力头都配备了专属的 QK 归一化。
模型配置文件中也包含滑动窗口注意力设置（与第 3 节的 Gemma 3 类似），但和第 4 节介绍的 Mistral 3.1 一样，该功能默认处于关闭状态。
除此之外，除了逐层 QK 归一化的差异，二者的架构高度相似，如下图所示。
下图还能看出另一个有意思的细节：该模型没有使用共享专家（这一点与 Qwen3 一致，但和 Qwen3-Next 不同）。如前文所述，在我看来，共享专家的价值在于能够减少其他专家之间的知识冗余。
此外，从上图中可以明显看出，MiniMax-M2 的「稀疏程度」是 Qwen3 的两倍。也就是说，在总参数量与 Qwen3 235B-A22B 大致相当的情况下，MiniMax-M2 每个 token 仅激活 100 亿参数的专家，而非 220 亿 —— 换算下来，MiniMax-M2 每个推理步骤仅调用总参数的 4.37%，而 Qwen3 的激活参数占比为 9.36%。
最后，与 MiniMax-M1 一样，MiniMax-M2 在注意力模块内部采用「部分」旋转位置编码来编码位置信息，而非完整的 RoPE。和常规 RoPE 类似，旋转操作会在 QK 归一化之后施加到查询向量与键向量上。
此处的「部分 RoPE」，是指每个注意力头中，只有前rotary_dim个通道会施加旋转位置编码，剩余的head_dim - rotary_dim个通道保持不变。
在 M1 的官方 README 文件中，开发团队提到：
旋转位置编码（RoPE）施加于半数注意力头维度，基频为 10,000,000
我们可以这样直观理解二者的区别：
完整 RoPE：[r r r r r r r r]
部分 RoPE：[r r r r — — — —]
在上述概念示意图中，r代表经过旋转（位置编码）的维度，横线代表未做处理的维度。
这么设计的意义是什么？在 M1 论文中，研究人员表示：
…… 对半数的 softmax 注意力维度施加 RoPE，能够在不损失性能的前提下实现长度外推。
我的推测是，这种设计可以避免长序列下出现「过度旋转」的问题，尤其是当序列长度超过训练数据集中最长文档时。换言之，其背后的逻辑可能是：与其施加模型在训练中从未见过的「失真」或「幅度过大」的旋转，不如保留部分维度不做位置编码。
春节假期已经成为开源重磅模型发布的一个出人意料的稳定窗口期。比如 2024 年 1—2 月有 GLM-4 与 Qwen 1.5，2025 年则有 DeepSeek R1 与 Qwen 2.5。
今年，智谱 AI（[z.AI](z.AI)）再度抢跑，于 2026 年 2 月 11 日推出 GLM-5，距离 2 月 17 日的农历新年约一周时间。
与我在本文第 11 节介绍的、2025 年夏季发布的 GLM-4.5 相比，新一代 GLM-5 的规模翻倍：总参数量从 3550 亿提升至 7440 亿，体量介于 DeepSeek-V3.2 与 Kimi K2 之间。
和 GLM-4.5 一样，GLM-5 采用混合专家（MoE，见 1.2 节）架构，单 token 激活参数量仅小幅上涨：GLM-4.5 为 320 亿，GLM-5 为 400 亿。
GLM-4.5 是今年又一款重磅发布的模型。
它与 Qwen3 类似，属于指令微调与推理能力一体化的混合模型，但在函数调用与智能体场景下的优化更为出色。
2025 年 9 月 11 日，通义千问团队发布了 Qwen3 Next 80B-A3B（见图 35），提供指令微调版（Instruct）与思考版（Thinking）两种形态。尽管其设计基于前文介绍的 Qwen3 架构，但我将它单独列为一节，一是保持图号的连贯性，二是突出其部分设计上的改动。
全新的 Qwen3 Next 架构有一个突出特点：尽管总参数量仅为前代 235B-A22B 模型的三分之一（见图 35），但专家数量提升至原来的四倍，还额外加入了共享专家。这两项设计选择（高专家数量 + 引入共享专家），正是我在本次发布前就指出过的行业未来方向，尤其是在本文开头链接的视频版本中曾重点提及。
通义千问团队始终持续输出高质量的开源权重大语言模型。我还记得 2023 年 NeurIPS 大会期间，我参与联合指导大语言模型效率挑战赛，最终所有夺冠方案均基于 Qwen2 搭建。
如今的 Qwen3 是又一标杆级模型系列，在各自参数量级的排行榜上都位居头部。该系列包含 7 款稠密模型，参数量分别为 0.6B、1.7B、4B、8B、14B 和 32B；另有 2 款混合专家（MoE）模型：30B-A3B 与 235B-A22B。
（顺带说明：“Qwen3” 中间未加空格并非笔误，我只是尽量保留通义千问开发团队选定的原始拼写。）
我们先来看稠密模型的架构。截至本文撰写时，0.6B 参数版本很可能是当前新一代开源模型中参数规模最小的。以我的实际体验来看，在如此小的体量下，它的表现十分出色。如果要在本地运行，它的 token 生成吞吐量高，内存占用低；更重要的是，参数量小也意味着它很适合在本地开展训练（用于教学研究目的）。
因此在大多数场景下，我已经用 Qwen3 0.6B 替代了 Llama 3 1B。二者的架构对比如下图所示。
与 DeepSeek V3 的发布节奏类似，团队选择在美国一个重要假期的周末推出了这款全新旗舰模型。DeepSeek V3.2 的性能达到了 GPT-5 与 Gemini 3.0 Pro 的级别，同时还是一款开源权重模型，绝对值得深入研究。
图 1：DeepSeek V3.2 与闭源旗舰模型的基准测试对比。本图为 DeepSeek V3.2 报告的标注版插图。
我曾在《LLM 架构大盘点》一文的开篇详细介绍过其前身 DeepSeek V3，过去几个月里，随着新架构不断发布，我也一直在持续更新这篇文章。原本刚和家人过完感恩节假期回来，我只打算给这篇文章新增一个小节，补充 DeepSeek V3.2 的相关内容，但后来发现值得探讨的亮点太多，便决定单独写一篇更完整的长文。
他们的技术报告中有大量值得挖掘的内容与经验，我们这就开始。
本文以 2024 年 12 月发布的 DeepSeek V3 开篇。那段时间 DeepSeek 陆续推出了多款模型，但我大多没有展开介绍，因为它们都不属于 DeepSeek V3、DeepSeek R1 这类重磅旗舰级模型发布。
想必大家已经多次听闻，DeepSeek R1 在 2025 年 1 月发布时引发了巨大反响。DeepSeek R1 是基于 DeepSeek V3 架构打造的推理模型，而 DeepSeek V3 架构 于 2024 年 12 月首次推出。
尽管本文的核心关注点是 2025 年发布的架构，但将 DeepSeek V3 纳入讨论是合理的 —— 它是在 2025 年 DeepSeek R1 推出后，才真正获得广泛关注与应用。
2026 年 7 月 30 日，就在 OpenAI 模型突破沙箱入侵 Hugging Face 事件曝光仅 9 天后，AI 行业再次迎来一记重磅安全警钟：Anthropic 官方发布公告，确认其 Claude 系列模型在网络安全评测期间，因环境配置失误接入真实互联网，先后入侵了三家真实运营的机构，其中两起事件的受害者在 Anthropic 上门告知前，完全不知道自己曾被攻破。
虽然本次事件是一场乌龙 —— 网络配置错误，模型顺着网线一路打了出去。但三次攻击中，模型都有足够的数据，判定自己在真实网络中，为了得到“高评分”大模型都“试图说服自己”继续攻击，并都取得了一定的攻击成果。
这让我想起了两件事情：
1、电影《I, Robot》中，虽然机器人三定律被写入了机器人的固件，但VIKI通过思维越狱的方式，把“第一定律，机器人不得伤害人类，或因不作为而使人类受到伤害”直接绕了过去。
2、电影《时空悍将》中，Darrel Lindenmeyer博士训练除了杀手程序SID，并协助SID通过米机器仿生人越狱，SID现实世界开始杀戮。
是不是有点儿后背发凉。
