清华姚班刘壮团队新作：无需归一化的Transformer性能优化研究

编辑｜陈陈、冷猫

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

刘壮带队的无需归一化 Transformer 又有新的进展了。

长久以来，在 Transformer 架构中，LayerNorm 几乎是标配，但它也存在明显短板：比如计算和访存成本高，尤其在大模型推理阶段。

因此，“无归一化（Normalization-Free）”Transformer 成为研究者探索的一个长期目标，但一直卡在两个难点上：训练不稳定，以及性能明显不如带归一化的模型。

而这篇新论文提出了一种非常简单的新激活层 Derf（Dynamic erf），让“无归一化（Normalization-Free）”的 Transformer 不仅能稳定训练，还在多个设置下性能超过了带 LayerNorm 的标准 Transformer。

论文标题：Stronger Normalization-Free Transformers

刘壮本人也在 X 账号上分享了这一成果。他表示，这是一篇关于更强无归一化 Transformer 的新论文：研究团队提出了 Derf（Dynamic erf），一种结构极其简单的逐点（point-wise）层。借助 Derf，完全不依赖归一化层的 Transformer 不仅能够稳定训练，而且在实际性能上已经可以超越传统依赖 LayerNorm 等归一化机制的模型。

这一结果表明，长期被视为标配的归一化层，并非构建高性能 Transformer 的唯一选择。

今年早些时候，刘壮、何恺明、LeCun 等人已经在题为《无需归一化的 Transformer》的论文中表明，Dynamic Tanh（DyT）函数可以取代 Transformer 中的归一化层。

Derf 进一步发展了这一想法。

和 DyT 类似，Derf 是一种不依赖统计量的逐点（point-wise）层，不需要使用激活分布的统计信息。它本质上只是一个带有少量可学习参数的平移并缩放后的高斯误差函数（Gauss error function），可以直接替换你原本使用 LayerNorm 或 RMSNorm 的位置。

由于其结构极其简单、效果稳定且性能更强，Derf 为构建无归一化（normalization-free）的 Transformer 架构提供了一种非常具有实践价值的选择。相关代码已开源。

超越归一化层的逐点函数