LLM信息空间的映射

乘法

1. 两个32bit的浮点数乘法，相当于32位的bit向量做空间映射
2. 每个bit代表了特殊的含义，指数、尾数以及对应的档位
   
3. 乘法不能充分利用32位的所有表达空间，精度越低的数据信息利用率越高

多层映射（等高线）

1. 每一层的所有的hidden status的集合，表示了当前的所有信息（语义）
2. 每经过一层相当于把一种向量空间的表示，映射到另外一个向量空间
   1. 每一次梯度下降都优化一点映射关系，增加不同类的距离，减少同类的距离
      
   2. 对输入的hidden status理解得越深刻（抽象得越高级），映射分隔得越准确，输出的结果越好
3. 经过多次映射之后就能直接得到结果需要的index
4. 非常大的线性映射的参数：DeekseekV3 671B中，大头（98%）参数是，256专家*60层*44MB=670GB
5. 每个expert有三个linear，总参数量 = hidden_size * moe_intermediate_size * 3层 = 7168 * 2048 * 3 = 44MB

线性映射 非线性映射

非线性Dot

1. 对B进行非线性映射，A = B *(C+D)  等价于  A = B*C + B*D   ，ABCD都是矩阵
   
   1. 实际上增加了映射的空间灵活度，实验下来，使用得当可能可以提升精度
2. ResNet的典型 A = B*C + B
   1. 显然D是1，不对B进行改变

LLM的映射行为

1. 每一层都根据前面的数据映射到另外一个表示空间
2. 多层的LLM可以等价于一个大型卡罗搜索树
   1. 剪枝的，均匀宽度的
   2. 大规模参数，多维度
      
3. 行为可以比喻为Plinko​​（中文常译为“钉板游戏”或“弹珠盘”）
   1. 从上到下不断在转换在对应空间内的分类
   2. 当前layer的所有token的所有hidden status的所有可能数值共同表示了所有的可能分类
   3. 最终的hidden status都对应了一个token
4. 梯度下降怎么增强模型对高层级语义的敏感性，分类准确度？
   1. 引导模型按照高层极语义进行分割，而不是在低层级打转

信息的表示

1. 所有内部节点表示：同层的所有前面token的总结（映射）的结果
   1. 矛盾：既要表达当前节点的局部语义，又要表达到当前token的整体语义