Mosaic：面向超长序列的多GPU注意力分片方案

Transformer的"二次方注意力瓶颈"的问题是老生常谈了。这个瓶颈到底卡在哪实际工程里怎么绕过去？本文从一个具体问题出发，介绍Mosaic这套多轴注意力分片方案的设计思路。

注意力的内存困境

注意力机制的计算公式：

Attention(Q, K, V) = softmax(QKᵀ / √d) × V

问题出在QKᵀ这个矩阵上，它的形状是

(序列长度 × 序列长度)

。

拿150,000个token的序列算一下：

Memory = 150,000² × 4 bytes = 90 billion bytes ≈ 84 GB

这只是注意力权重本身的开销，而且还是单层、单头。A100的显存上限是80GB，放不下就是放不下。

现有方案的局限

FlashAttention它通过分块计算，不需要把完整的注意力矩阵实例化出来，内存复杂度从O(n²)降到O(n)。单卡场景下效果很好，但问题是整个序列还是得塞进同一张GPU。

Ring Attention换了个思路：把序列切片分到多张GPU上，每张卡持有一部分Q，K和V在GPU之间像传令牌一样轮转，一维序列处理起来是很不错的。

但是多维怎么办？

比如处理表格数据的Transformer，输入张量形状是

(batch, rows, features, embed)

。模型需要在不同维度上做注意力：features维度只有5个token，rows维度却有150,000个。前者单卡轻松搞定，后者则必须分片。

现有的库都没法干净地处理这种多轴场景。手写的话，每个轴要单独写分片逻辑，进程组管理、张量reshape全得自己来。代码会变得很脏。

Mosaic的设计

Mosaic本质上是个协调层，负责把不同的注意力轴路由到合适的计算后端：

import mosaic # Small axis: run locally feature_attn = mosaic.MultiAxisAttention( embed_dim=96, num_heads=4, attention_axis=2, # features dimension backend="local" # no communication needed ) # Large axis: shard across GPUs row_attn = mosaic.MultiAxisAttention( embed_dim=96, num_heads=4, attention_axis=1, # rows dimension backend="ring" # ring attention across GPUs )

底层Mosaic会自动处理轴的置换、QKV投影前的reshape、后端分发、以及计算完成后张量形状的还原。模型代码保持清晰，分布式的复杂性被封装掉了。

Ring Attention的工作机制

核心思想其实很直接：不需要同时持有全部的K和V。可以分批计算注意力分数，逐步累积，最后再做归一化。

比如说4张GPU的情况下流程是这样的：

Initial state: GPU 0: Q₀, K₀, V₀ GPU 1: Q₁, K₁, V₁ GPU 2: Q₂, K₂, V₂ GPU 3: Q₃, K₃, V₃ Step 1: Each GPU computes attention with its local K, V GPU 0: score₀₀ = Q₀ @ K₀ᵀ ... Step 2: Pass K, V to the next GPU in the ring GPU 0 receives K₃, V₃ from GPU 3 GPU 0 sends K₀, V₀ to GPU 1 Step 3: Compute attention with received K, V GPU 0: score₀₃ = Q₀ @ K₃ᵀ Accumulate with score₀₀ Repeat for all chunks... Final: Each GPU has complete attention output for its Q chunk

单卡内存占用变成O(n²/p)，p是GPU数量。8张卡的话内存需求直接砍到1/8。150k序列从84GB降到约10GB每卡。

Mesh2D：更激进的分片

序列特别长的时候Ring Attention的线性分片可能还不够，这时候可以用Mesh2D把Q和K都切分了：

4 GPUs arranged in 2×2 mesh: K₀ K₁ ┌──────┬──────┐ Q₀ │GPU 0 │GPU 1 │ ├──────┼──────┤ Q₁ │GPU 2 │GPU 3 │ └──────┴──────┘ Each GPU computes one tile of QKᵀ

内存复杂度降到O(n²/p²)。64张卡组成8×8网格时，每卡内存需求下降64倍。

attn=mosaic.MultiAxisAttention( embed_dim=128, num_heads=8, attention_axis=1, backend="mesh2d", mesh_shape=(8, 8) )

感知集群拓扑的组合策略

在实际部署环境里，不同GPU之间的通信带宽差异很大。节点内GPU走NVLink能到900 GB/s，跨节点通过InfiniBand通常只有200 GB/s左右。

ComposedAttention

就是针对这种拓扑特征设计的：

# 4 nodes × 8 GPUs = 32 total composed = mosaic.ComposedAttention( mesh_shape=(4, 8), # (nodes, gpus_per_node) head_parallel=True, # Split heads across nodes (slow link) seq_parallel="ring" # Ring within nodes (fast link) )

需要更精细控制的话，可以用

HierarchicalAttention

：

hier = mosaic.HierarchicalAttention( intra_node_size=8, intra_node_strategy="local", # Compute locally within node inter_node_strategy="ring" # Ring between node leaders )

重通信走快链路轻通信才跨节点。

实现细节

整个库大约800行Python，核心代码如下：

class MultiAxisAttention(nn.Module): def forward(self, x): # 1. Move attention axis to seq position x, inv_perm = self._permute_to_seq(x) # 2. Flatten batch dims, project QKV x = x.view(-1, seq_len, embed_dim) qkv = self.qkv_proj(x).view(batch, seq, 3, heads, head_dim) q, k, v = qkv.permute(2, 0, 3, 1, 4).unbind(0) # 3. Dispatch to backend out = self._attn_fn(q, k, v) # local, ring, or mesh2d # 4. Project output, restore shape out = self.out_proj(out.transpose(1, 2).reshape(...)) return out.permute(inv_perm)

后端封装了现有的成熟实现：

local

后端调用

F.scaled_dot_product_attention

（也就是FlashAttention），

ring

后端用ring-flash-attn库的

ring_flash_attn_func

，

mesh2d

是自定义的all-gather加SDPA，所有的底层都跑的是FlashAttention内核。

所有后端统一用FlashAttention的融合GEMM+softmax实现。后端函数在初始化时就绑定好，前向传播不做分支判断。张量操作尽量用

x.view()

而不是

x.reshape()

，保持内存连续性。集合通信的目标张量预分配好，避免

torch.cat

的开销。模块级别做导入不在每次前向传播时产生import开销。

快速上手

安装：

pip install git+https://github.com/stprnvsh/mosaic.git # With ring attention support pip install flash-attn ring-flash-attn

单节点启动：

torchrun --nproc_per_node=4 train.py

多节点的话：

# Node 0 torchrun --nnodes=2 --nproc_per_node=8 --node_rank=0 \ --master_addr=192.168.1.100 --master_port=29500 train.py # Node 1 torchrun --nnodes=2 --nproc_per_node=8 --node_rank=1 \ --master_addr=192.168.1.100 --master_port=29500 train.py

训练脚本示例：

import mosaic import torch.distributed as dist dist.init_process_group("nccl") ctx = mosaic.init(sp_size=dist.get_world_size()) model = MyModel().to(ctx.device) # Data is pre-sharded: each GPU has seq_total / world_size tokens x_local = load_my_shard() out = model(x_local) # Communication handled by Mosaic