上一篇：[[Flash Attention]] 下一篇：[[GQA]]

RoPE（Rotary Positional Embedding）vs 绝对位置编码**

绝对位置编码（Absolute Positional Encoding）

Transformer 中原始的位置编码是将固定的正弦和余弦向量加到输入嵌入上：

$\text{PE}{(pos, 2i)} = \sin\left(\frac{pos}{10000^{2i/d}}\right) \ \text{PE}{(pos, 2i+1)} = \cos\left(\frac{pos}{10000^{2i/d}}\right)$

然后将位置编码加到输入 $x$ 上：

$x’ = x + \text{PE}(pos)$

这种编码方式在原始 transformer 中是不可迁移的，不能泛化到更长的序列。

RoPE（Rotary Positional Embedding）

RoPE 的核心思想是将位置信息通过复数空间中的旋转矩阵注入到 Query 和 Key 中，而不是加到输入上：

对每一对维度 $(x_{2i}, x_{2i+1})$，我们应用一个旋转：

$\begin{bmatrix} x_{2i}’ \ x_{2i+1}’ \end{bmatrix} = \begin{bmatrix} \cos(\theta_{pos}) & -\sin(\theta_{pos}) \ \sin(\theta_{pos}) & \cos(\theta_{pos}) \end{bmatrix} \begin{bmatrix} x_{2i} \ x_{2i+1} \end{bmatrix}$

其中：

$\theta_{pos} = \frac{pos}{10000^{2i/d}}$

RoPE 的优势：

• 保持 dot product 的平移等变性（relative distance encoding）

• 可推广到更长序列（无固定长度限制）

• 更适合 GPT 系列的解码式模型

二、绝对位置编码 vs RoPE（4 个 token）

我们设定嵌入维度为 4，每个 token 的初始嵌入为：

绝对位置编码

位置编码是按维度加上 sin/cos 值，例如（使用 $d=4$）：

$$ \text{PE}{(pos, 0)} = \sin(pos / 10000^{0/4}) = \sin(pos) $$ $$ \text{PE}{(pos, 1)} = \cos(pos) $$ $$ \text{PE}_{(pos, 2)} = \sin(pos / 10000^{2/4}) = \sin(pos / 100) $$ $$

\text{PE}_{(pos, 3)} = \cos(pos / 100) $$

我们用近似值展示：

最终输入向量：

$$ x_{\text{input}} = x + \text{PE}(pos) $$

这是一种“加法注入位置信息”，缺点是它和词义耦合、不能外推到更长序列。

RoPE 编码

RoPE 的想法是：在每对维度上做一个与位置相关的旋转，而不是直接加。

对于维度 $d = 4$，我们将 token 嵌入视作两个复数向量：

$$ [x_0, x_1], [x_2, x_3] \Rightarrow z_1 = x_0 + ix_1,\ z_2 = x_2 + ix_3 $$

然后乘以位置对应的旋转因子（也表示为复数）：

$$ R_{pos} = e^{i\theta_{pos}} = \cos(\theta_{pos}) + i\sin(\theta_{pos}) $$

假设 $\theta_{pos} = 0.1, 0.2, 0.3, 0.4$ 对应 pos = 0,1,2,3

取 pos = 2 为例：

Token = $[1.0, 1.0, 1.0, 1.0] \Rightarrow z_1 = 1+i, z_2 = 1+i$

$$ z_1’ = z_1 \cdot e^{i\cdot0.3} = (1+i)(\cos(0.3) + i\sin(0.3)) \ \approx (1+i)(0.955 + 0.296i) = \underbrace{0.659 + 1.251i}_{\text{旋转后}} $$

对应新的向量：$$ [0.659,\ 1.251,\ \ldots] $$

我在上面的例子中简化了 RoPE 的旋转角度 $\theta_{pos}$，写成了比如 θ = 0.3 这样的近似数值，但没有解释它是怎么来的。现在我们来严谨说明一下：

我们严格地、不做近似地计算出 RoPE 应用于 Key（K）矩阵的结果。下面是你需要的详细步骤：

🧮 RoPE 应用步骤

设嵌入维度 $d = 4$，我们按 2 维一组，做复数旋转：

每组维度 (0,1) 和 (2,3) 分别旋转。我们使用以下公式：

旋转角度定义：

$$ \theta_{pos, i} = \frac{pos}{10000^{2i/d}} = \frac{pos}{10000^{i/(d/2)}} $$

二维旋转公式（实向量）：

对向量中每一对分量 $(x_{2i}, x_{2i+1})$，应用旋转：

$$ \begin{bmatrix} x_{2i}’ \ x_{2i+1}' \end{bmatrix}

\begin{bmatrix} \cos(\theta) & -\sin(\theta) \ \sin(\theta) & \cos(\theta) \end{bmatrix} \begin{bmatrix} x_{2i} \ x_{2i+1} \end{bmatrix} $$

🧾 假设的 K 矩阵（4 个位置，每个 token 向量长度 4）：

$$ K = \begin{bmatrix} 1.0 & 0.0 & 1.0 & 0.0 \ 0.0 & 1.0 & 0.0 & 1.0 \ 1.0 & 1.0 & 1.0 & 1.0 \ 0.5 & 0.5 & 0.5 & 0.5 \ \end{bmatrix} $$

我们现在为每一行计算 RoPE 编码结果，所有三角函数值保持精确。

📊 RoPE 编码后的 K 值表格

我们将每一行作为一组 token，每一列表示一次旋转计算步骤：

✅ 简要说明每一行计算过程：

行 1（位置 0）：

$$ \theta_0 = 0,\ \theta_1 = 0 \Rightarrow \text{cos} = 1,\ \text{sin} = 0 $$ 旋转矩阵为单位矩阵 ⇒ 输出和原始一样。

行 2（位置 1）：

• $\theta_0 = 1$，$\cos(1) ≈ 0.5403,\ \sin(1) ≈ 0.8415$
• 输入为 $[0, 1]$，旋转得：

$$ x_0’ = 0.5403×0 - 0.8415×1 = -0.8415,\quad x_1’ = 0.5403×1 + 0.8415×0 = 0.5403 $$

• $\theta_1 = 0.0001$，$\cos ≈ 0.999999995,\ \sin ≈ 0.0001$

$$ x_2’ = 0×0.999999995 - 1.0×0.0001 = -0.0001,\quad x_3’ = 0×0.0001 + 1.0×0.999999995 = 1.0 $$

行 3（位置 2）：

• $\theta_0 = 2$，$\cos(2) ≈ -0.4161,\ \sin(2) ≈ 0.9093$

输入 $[1, 1]$：

$$ x_0’ = -0.4161×1 - 0.9093×1 = -1.3254,\quad x_1’ = 0.9093×1 + (-0.4161)×1 = 0.4932 $$

• $\theta_1 = 0.0002$，$\cos ≈ 0.99999998,\ \sin ≈ 0.0002$

输入 $[1, 1]$：

$$ x_2’ = 0.99999998×1 - 0.0002×1 = 0.99979998,\quad x_3’ = 0.0002×1 + 0.99999998×1 = 1.00019998 $$

行 4（位置 3）：

• $\theta_0 = 3$，$\cos(3) ≈ -0.9899,\ \sin(3) ≈ 0.1411$

输入 $[0.5, 0.5]$：

$$ x_0’ = -0.9899×0.5 - 0.1411×0.5 = -0.5655,\quad x_1’ = 0.1411×0.5 + (-0.9899)×0.5 = -0.4244 $$

• $\theta_1 = 0.0003$，$\cos ≈ 0.999999955,\ \sin ≈ 0.0003$

输入 $[0.5, 0.5]$：

$$ x_2’ = 0.999999955×0.5 - 0.0003×0.5 = 0.49984998,\quad x_3’ = 0.0003×0.5 + 0.999999955×0.5 = 0.50014998 $$

RoPE 对所有位置都这样做，只作用在 Q/K 上，不影响 Value 或嵌入向量本身，因此模型可以自动学习更强的相对位置感知能力。 下面我来澄清 transformer 中的位置编码 和 RoPE 作用的差异：

✅ 传统 Transformer（如原始 Attention Is All You Need）

1. Embedding 流程：

   • 对于输入 token，先查表得到 token embedding（记作 $E$）
   • 然后加上位置编码：
     $$ X = E + \text{PosEncoding}(p) $$

2. Q/K/V 来自线性变换： $$ Q = XW^Q,\quad K = XW^K,\quad V = XW^V $$ 所以位置编码间接地传递到了 Q/K/V

📌 注意：位置编码只在 embedding 层前加一次，影响 Q/K，但不直接作用在 Q/K 上。

✅ RoPE（旋转位置编码）有什么不同？

RoPE 的创新点是：

• 不再把位置加到 embedding 上
• 而是在Q 和 K 向量生成之后，直接旋转 Q 和 K
• 即先计算： $$ Q = EW^Q,\quad K = EW^K $$ 然后对 Q/K 做位置旋转： $$ Q_p’ = \text{RoPE}(Q, p),\quad K_p’ = \text{RoPE}(K, p) $$

💡 所以 RoPE 是应用在 Q/K 上的位置编码，而非嵌入层。

✅ 总结对比

• RoPE 的旋转操作让位置影响变成角度差；
• 同一个 token 对其它 token 的注意力权重随位置差异而变化；
• 和传统的 位置向量加法不同，RoPE 保持模长、变换方向（相对编码）；
• 支持无限外推（理论上），不像固定位置编码。

总结表

• LLaMA 3 支持 更长上下文窗口，如 8K、32K，甚至更长。

• 配合 RoPE 的扩展技术（如 Linear RoPE Scalers）进行训练，支持高效泛化到长文本。 oPE 在长序列时有问题：

• 它对 token 位置敏感，如果位置远超训练时的最大长度，旋转角度会失控，attention 崩溃。

为了解决这个问题，很多扩展方法被提出，比如：

• Linear RoPE Scaling：将位置 i 缩放为 i/s，其中 s > 1，让模型能处理更长位置；

• NTK-aware RoPE scaling（如 LLaMA 2）进一步改进了位置缩放策略。

这些方法可以让模型在不重新训练的前提下处理更长的输入。

上一篇：[[Flash Attention]] 下一篇：[[GQA]]