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总结

最后，Mosaic不会自动并行化模型（这个用nnScaler），不管数据并行（PyTorch DDP/FSDP的事），也不处理模型分片（交给FSDP或Megatron）。

Mosaic专注于一件事：多轴注意力的分片路由，这套方案最初是给nanoTabPFN做的，一个表格数据Transformer。

这个模型要同时在rows（150k个）和features（5个）两个维度做注意力。标准Ring Attention对维度语义没有感知，它只认序列这个概念，分不清rows和features的区别。

所以Mosaic需求很明确：小轴本地算，大轴分布式算，轴的路由逻辑不能侵入模型代码，有兴趣的可以试试。

作者：Pranav Sateesh

点个在看你最好看！