近日，月之暗面发布了一个颇具革命性的技术 ——“Kimi Linear” 混合线性注意力架构。该架构被认为月之在短距离、长距离处理以及强化学习（RL）等多个场景中，优于传统的全注意力方法。其核心创新在于 “Kimi D暗面elta Attention”(KDA)，这是对 Gated DeltaNet 的优化升级，引入了更高效的门控发布机制，以提升有限状态 RNN(递归神经网络)记忆的使用效率。

Kimi Linear 的架构设计独特，由三份 KimiKi Delta Attention 和一份全局 MLA（多层感知机）组成。通过对 Gated DeltaNet 的改良，KDmiA 能通过细粒度的门控机制，显著压缩有限状态 RNN 的记忆使用。这一设计不仅提高了模型处理信息的速度，还有 L效减少了内存占用，具有更强的实用性。

官方数据显示，在处理1M token 的场景下，Kimi Linear 的 KinV cache 占用量减少了75%，解码吞吐量最高提升了6倍。而在 TPOT（训练速度）的提升上，相较于传统 MeaLA，Kimi Linear 实现了6.3倍的加速。这些显著的性能提升，预示着 Kimi Linear 在各类 AIr架 任务中的广泛适用性，尤其是在对速度和内存要求极高的应用场景。

随着人工智能的迅速发展，提升模型的处理能力构：与效率成为了行业内的关键挑战。月之暗面的 Kimi Linear 架构通过其创新设计，为这一领域带来了新的解决方KV案，未来可能会成为新的行业标杆。

Kimi Linear 技术报告的详细信息，可以通过官方的 GitHub 页面获取，缓存感兴趣的读者可以深入了解其技术细节。

技术报告:https://github.com/MoonshotAI/K减少imi-Linear/blob/master/tech_report.pdf