RWKV
近年来，基于Transformer架构的大规模语言模型在自然语言处理领域取得了显著成功，但其自注意力机制存在内存和计算复杂度随序列长度平方级增长的问题，限制了其在长序列任务中的效率。同时，传统RNN虽然具有线性复杂度，但在训练并行性和长程依赖建模方面存在不足。
在此背景下，RWKV（Receptance Weighted Key-Value）架构被提出，旨在结合Transformer的高效训练能力（可并行化）和RNN的推理效率。RWKV-7 "Goose"作为该系列的最新进展，通过恒定内存占用和每token恒定推理时间的设计，解决了传统Transformer的长序列处理瓶颈。
一、RWKV 模型简介
- RWKV 是一个融合了 RNN 和 Transformer 优势的新型语言模型架构。
- 名称含义：
- R：Receptance，作为过去信息的接受程度的接受向量
- W：Weight，位置权重衰减向量，可训练的模型参数
- K & V：类似传统注意力机制中的 Key 和 Value 概念
- 核心特点：
- 拥有 Transformer 的并行训练能力
- 拥有 RNN 的线性推理效率
二、RWKV 模型结构（以 v4/5 为例）
RWKV Block（基本结构）
- LayerNorm
- TimeMix
- 输入：
x - 拆分为：[math]\displaystyle{ x_k, x_v, x_r }[/math]
- 加入时间加权参数（Python代码）：
- 输入：
decay = exp(-exp(time_decay))
k = x_k * time_mix_k + x_k_prev * (1 - time_mix_k)
- 数学公式形式：
- Decay定义：
[math]\displaystyle{ \mathrm{decay} = \exp\left( -\exp\left( \mathrm{time\_decay} \right) \right) }[/math]
- k计算：
[math]\displaystyle{ k = x_k \times \mathrm{time\_mix\_k} + x_k^{\mathrm{prev}} \times \left(1 - \mathrm{time\_mix\_k}\right) }[/math]
- ChannelMix
- 类似 Transformer 的 FFN 模块。
- 激活函数通常使用 ReLU，公式如下：
[math]\displaystyle{ \mathrm{output} = \mathrm{ReLU}(W_1 \times x + b_1) \times W_2 + b_2 }[/math]
三、推理与训练特点
推理
- 类似 RNN，每步只依赖上一步状态
- 推理内存 O(1)，不需上下文缓存
训练
- 并行训练兼容 Transformer-style 训练器
- 对时间参数稳定性要求高（需梯度裁剪、精调）
四、RWKV 架构演进时间线
| 版本 | 时间 | 核心特性/改进 | 备注 |
|---|---|---|---|
| v1 | 2021 年底 | 初代结构，融合 Attention 和 RNN | 实验性版本，训练不稳定 |
| v2 | 2022 年初 | TimeMix 和 ChannelMix 雏形 初步支持并行训练 |
性能有明显提升 |
| v3 | 2022 年中 | 明确使用 time_decay 机制引入 time_mix_k 等精细控制 |
架构逐渐稳定，接近 Transformer 效果 |
| v4 | 2023 年初 | 优化 ChannelMix（ReLU 替换 SiLU） 更强的泛化能力 |
支持更大规模模型训练 |
| v5 | 2023 底 / 2024 初 | 正式提出 “Transformer as RNN” 理念 可用标准 Transformer 训练器 性能与效率大幅提升 |
当前主力架构，广泛用于 RWKV-LM 系列 |
| v6 | 2024 年初 | 引入动态时间衰减机制（Dynamic Time Decay） 增强对长上下文的记忆能力 |
进一步提升语言建模的表现 |
| v7 | 2024 年中 | 模块化设计 支持多模态任务（文本、图像、音频等） 更高效的推理优化 |
扩展应用场景，迈向通用 AI |
五、RWKV 与其他模型对比
| 特性 | Transformer | RNN | RWKV |
|---|---|---|---|
| 并行训练能力 | ✅ | ❌ | ✅ |
| 推理内存效率 | ❌ (O(n)) | ✅ (O(1)) | ✅ (O(1)) |
| 长序列建模能力 | 中等 | 较弱 | 强 |
| 上下文可控性 | 较强 | 差 | 中-强 |
| 参数共享压缩性 | 中等 | 强 | 强 |
六、RWKV 社区与生态
主要贡献者
- BlinkDL（中国开发者，RWKV 创始人）
开源项目
- RWKV-LM：主项目
- RWKV.cpp：轻量 C++ 实现，适合本地部署
- RWKV-Runner：便捷部署和体验框架
- RWKV-Vision：拓展到图像、多模态领域
七、RWKV 架构总结
优势
- 资源效率高：运行和训练时对 VRAM、CPU、GPU 的需求显著低于 Transformer 架构。
- 计算量低：相较于处理较大上下文的 Transformer，RWKV 的计算需求低 10 倍到 100 倍。
- 线性扩展性强：上下文长度可线性扩展，Transformer 则为二次扩展（[math]\displaystyle{ O(n^2) }[/math]）。
- 答案质量高：在文本生成质量和泛化能力方面可媲美 Transformer 架构。
- 多语言能力优异：训练数据覆盖中文、日文等多种语言，在多语言任务中表现优于多数开源模型。
不足
- 提示词格式敏感：生成效果对 prompt 的格式非常敏感，稍微不同的提示可能导致结果差异很大。
- 任务顺序依赖性强：由于架构本身的递归特性，对于需要回顾历史信息的任务较弱，需要合理组织输入顺序（例如先给任务，再给内容）。