Giải thích toán học, ưu điểm/nhược điểm cho từng kỹ thuật : Mixture of Experts, Grouped Query Attention, Flash Attention

1. Mixture of Experts (MoE)

Toán học:

• Đầu vào $x$ sẽ được đưa qua một tập các chuyên gia (experts) $E_1, E_2, ..., E_n$

• Một gating function $G(x)$ chọn ra top-k chuyên gia hoạt động (thường dùng softmax hoặc top-k hard routing).

• Đầu ra:

  $$y = \sum_{i=1}^{k} G_i(x) \cdot E_i(x)$$

Ưu điểm:

• Giảm chi phí tính toán vì chỉ một vài expert được kích hoạt.
• Mở rộng mô hình dễ dàng mà không tăng chi phí inference tuyến tính.

Nhược điểm:

• Gating function khó huấn luyện (không trơn nếu hard routing).
• Cần kỹ thuật phân bố tải (load balancing).

Ví dụ:

• GShard, Switch Transformer.

Usecase:

• Mô hình ngôn ngữ lớn (LLMs) như Google’s Switch Transformer, Mistral Mixture-of-Experts.

2. Grouped Query Attention (GQA)

Toán học:

Thông thường:

$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d}}\right) V$$

Trong GQA:

• Các nhóm Query chia sẻ Key/Value:

  $$Q_i = Q_{group(i)} \quad \text{dùng chung } K, V$$

Ưu điểm:

• Tiết kiệm bộ nhớ.
• Nhanh hơn nhiều trong inference.

Nhược điểm:

• Mất đi một chút biểu diễn chi tiết vì chia sẻ Key/Value.

Ví dụ:

• Trong mô hình như LLaMA v2.

Usecase:

• Triển khai attention hiệu quả hơn trên GPU cho LLMs lớn.

3. Flash Attention

Toán học:

• Sử dụng sắp xếp lại thuật toán Attention để tránh sinh ra ma trận attention full-size.

• Tính attention theo block và sử dụng:

  $$\text{softmax}(QK^T / \sqrt{d}) \cdot V$$

  nhưng được thực hiện theo từng block trong GPU SRAM để tiết kiệm RAM và tăng throughput.

Ưu điểm:

• Giảm O(n²) memory xuống gần O(n).
• Rất nhanh và tiết kiệm RAM.

Nhược điểm:

• Cần phần cứng phù hợp (GPU).
• Code phức tạp hơn.

Ví dụ:

• FlashAttention v1, v2 trong PyTorch, Triton.

Usecase:

• Training và inference LLMs cực lớn như GPT-4, Claude, LLaMA.

4. Rotary Positional Embedding (RoPE)

Toán học:

• Dùng embedding quay tuần tự:

  $$\text{RoPE}(x) = x \cdot R(\theta) \quad \text{với } R(\theta) \text{ là ma trận xoay}$$

• Cụ thể, mỗi cặp chiều của vector được quay theo góc:

  $$\begin{bmatrix} x_1' \\ x_2' \end{bmatrix} = \begin{bmatrix} \cos(\theta) & -\sin(\theta) \\ \sin(\theta) & \cos(\theta) \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \end{bmatrix}$$

Ưu điểm:

• Giữ được tính tương đối giữa token.
• Dễ mở rộng về chiều dài sequence.

Nhược điểm:

• Không có trực giác dễ hiểu như sinusoidal position embedding.

Ví dụ:

• LLaMA, GPTNeoX.

Usecase:

• Các transformer decoder khi cần positional embedding tốt hơn sinusoidal.

5. YaRN (Yet another RoPE eNhancement)

Toán học:

• Kéo giãn hoặc nén tần số trong Rotary Positional Embedding để hỗ trợ long-context extrapolation:

  $$\theta_i = \frac{1}{\lambda^i} \rightarrow \theta_i' = \frac{1}{\lambda^{i \cdot \alpha}}, \alpha \in (0,1)$$

Ưu điểm:

• Giữ được khả năng học tốt trong vùng dài hơn mà mô hình chưa từng thấy.

Nhược điểm:

• Không phải tất cả mô hình đều tương thích sẵn.
• Cần điều chỉnh hyperparameters.

Ví dụ:

• Mistral + YaRN để có thể xử lý 128K tokens.

Usecase:

• Long-context reasoning như tài liệu dài, phân tích pháp lý, lịch sử cuộc chat.

6. Byte Pair Encoding (BPE)

Toán học:

• Khởi đầu: tách mỗi từ thành ký tự.

• Lặp lại:

  • Tìm cặp ký tự phổ biến nhất (A, B).
  • Gộp A+B thành một token mới.

• Dừng khi đủ số token cần thiết.

Ưu điểm:

• Linh hoạt hơn từ đơn.
• Giảm từ vựng OOV (out of vocab).

Nhược điểm:

• Cắt token không phù hợp với ngữ nghĩa.
• Tạo token dài bất hợp lý với ngôn ngữ không Latin.

Ví dụ:

• Từ "lower" → ['l', 'o', 'w', 'e', 'r'] → ['lo', 'w', 'er'] sau BPE.

Usecase:

• Tất cả các LLM hiện nay (GPT, LLaMA, T5) dùng BPE hoặc biến thể như SentencePiece, Unigram LM.

Tổng kết: So sánh nhanh