一个博主花了 48 小时读 Kimi K3 的建模代码和外加的 8 篇论文，不是为了写评测，是想搞清楚一件事：从 2019 年 GPT-2 到 2026 年的 Kimi K3，参数从 1.24 亿涨到 2.8 万亿，差了 22580 倍——但这真的只是规模变大了吗？ali@waterloo_intern 在 X 上发的这条 thread 我翻了一遍，发现他真正在追问的是每次架构升级到底解决了什么具体瓶颈，什么没变。
先建立体感。GPT-2 Small，1.24 亿参数，12 层 transformer，12 个注意力头，嵌入维度 768。典型 decoder-only 结构，输入先叠 token 嵌入和位置嵌入，然后过残差块，最后 lm_head 出 logits。没有 KV Cache，每一步解码都为整个序列重算一次。Kimi K3，2.8 万亿参数，MoE 架构，23 个四层宏循环，前三层用 Kimi Delta Attention，第四层用多头潜在注意力（MLA）。898 个专家，其中 2 个共享，每 token 激活 16 个，上下文窗口 100 万 token。22580 倍。博主的判断：新增的容量不是盲目堆上去的，每一次架构升级都对应一个明确的计算瓶颈。
GPT-2 时代的生成方式在今天看来有点原始。每一步解码重新计算整个序列的 Q/K/V，然后只用最后一个位置的 logits 选下一个 token，大量计算反复执行同一件事。KV Cache 解决的正是这个——把前面所有 token 的 K 和 V 存下来，新 token 来了只算自己的投影，再拼进去。这是个纯工程优化，但它让自回归生成从理论变成了可用的东西。代价是 KV Cache 随序列长度线性增长，100 万 token 上下文时，KV Cache 本身就能吃掉大量显存。所以后续的架构探索，问的都是同一个问题：能不能把缓存变成固定大小的？
纯累加式线性注意力的做法类似一个加法器，每个新 token 的 K 和 V 直接累加到一个固定大小的 D×D 状态矩阵里。好处是缓存不再随序列增长，坏处是新旧信息叠在一起，谁也找不回来。DeltaNet 引入了 Delta Rule：写入新信息之前，先用当前 Key 从缓存里读一次，看看这个位置原来存了什么，然后只把「新值减旧值」的差值写进去。这样一来就能精确替换某一个知识点而不影响其他内容，代价是它只会精确替换，不会遗忘。上下文切换时，旧信息还堆在那里。
Gated DeltaNet 把 Mamba 的门控机制和 Delta Rule 结合起来，每个时间步引入一个 0 到 1 之间的标量控制旧状态的衰减程度。接近 1 就是纯 Delta Rule，接近 0 记忆几乎清零。模型既能精确更新某一条关联，又能让整块记忆在需要的时候衰减。
Kimi K3 把思路推到了极致。它的 KDA 层提供固定大小的递归记忆，不随序列增长膨胀；MLA 层周期性插入，保留基于完整上下文的 Softmax 检索能力——有些信息 KDA 存不住，需要回头看原始序列；MoE 把 898 个专家塞进压缩后的潜在空间，FLOPs 几乎减半；AttnRes 每 12 层做一次深度方向的选择性检索，让靠后的层不用盲目放大输出幅度才能影响残差流。博主的总结：Kimi K3 没有创造新的计算范式，它把固定状态的递归记忆、周期性的 Softmax 检索、稀疏专家容量、深度方向的选择性访问这四种检索机制拼到了同一个系统里。每次增加容量，都投到了一个明确的功能缺陷上。
读完那 8 篇论文，有一个观察值得记住：任何固定容量的关联记忆系统都必须学会遗忘或淘汰。纯累加会饱和，饱和就会干扰。所以需要门控、路由、衰减——让模型自己决定哪些信息值得保留。从 1.24 亿到 2.8 万亿，变的不是这个基本矛盾，只是解决手段从粗暴的加法变成了精确的替换加选择性遗忘。
ali 的完整分析可以看他的 X thread：第一篇 | 第二篇
参考：https://www.allhereai.com/news/892