MTA 论文
在 Transformer 中计算注意力权重时，仅依赖单个 Q 和 K 的相似度，无法有效捕捉多标记组合信息。（对于 A、B 两个词，单标记注意力需要分别计算两个词的注意力分数，再通过后处理定位共同出现的位置或通过多层隐式堆叠，增加模型深度和容量）。MTA 显示建模多标记依赖，同时不牺牲全局交互和额外参数。（通过卷积运算让他能够看到邻近的Q、K 以及其他注意力头的信息）

在 Transformer 其他部分，如 FFN 的输入/输出加卷积，主要是为了捕捉词元表示之间的局部依赖关系，不直接改变注意力机制本身如何计算相关性。
MTA 的卷积直接作用在 $Q{K}^T/A$，意味着卷积直接参与了决定哪些上下文位置应该被关注的过程，在处理词元间的关系强度。

提出两种方式：pre-softmax convolution 和 post-softmax convolution，MTA 默认采用 Pre-softmax Q-K Convolution 和 Post-softmax Head Mixing Convolution。二者区别在于是在 softmax 之前还是之后进行。

Q-K convolution

$$a_{ij}=\mathrm{Softmax}\left(\sum _{i^{\prime }=0}^{c_q-1}\sum _{j^{\prime }=-\lfloor c_k/2\rfloor }^{\lceil c_k/2\rceil -1}{1}_{i\ge j-j^{\prime }}{\theta }_{i^{\prime },j^{\prime }}{q}_{i-i^{\prime }}{k}_{j-j^{\prime }}^{\top }/\sqrt{d}\right)(1)$$
在卷积中，为防止未来信息泄露，需要做 Masking。理想的 Masking 比较复杂（见式（1）），采用一种简化形式：用 0 Mask 掉未来的 $Q{K}^T$ 值，做卷积，再用 $-\infty$ Mask 掉结果中非法位置，再做 Softmax。
$$A=\mathrm{Softmax}\left({\mathrm{Mask}}_{-\infty }\left(\mathrm{Conv}2{\mathrm{d}}_{\theta }\left({\mathrm{Mask}}_0(\hat{A})\right)\right)\right).$$

Head Mixing Convolution

允许不同注意力头之间共享信息，放大重要信号。将 M 个头分成 $M/c_h$ 个组，每组 $c_h$ 个头。在每组的头内左 1D 卷积。同样可以在 softmax 之前或之后进行。

Group Normalization with depth scaling

改善梯度流，对抗深层网络中残差连接可能带来的主导效应（让模型更关注注意力部分输出，而不是仅仅传递上一层信息）。
在每个头的输出上独立应用组归一化，并结合一个随层数变化的缩放因子。

核心矛盾：在「增强注意力精度」和「保持计算效率」之间尚未找到完美平衡，当前更适合对计算资源不敏感的高精度场景。

实验结果

1.找字母块任务，验证 MTA 能够解决 [多条件匹配] 问题。

MTA 错误率接近 0%，而 Transformer 失败率超 50%。

2.LLM，在 105B 词元数据上训练 880M 参数模型

• MTA 仅在 1/4 的层 使用 Key-Query 卷积（核大小：$c_q=6,c_k=11$）。
• 所有层使用 Head 卷积（核大小 $c_h=2$）。