# RWKV

## Ikhtisar

Model RWKV (versi 4) diusulkan di [repo ini](https://github.com/BlinkDL/RWKV-LM)

Hal ini mengusulkan penyesuaian pada perhatian Transformer tradisional agar menjadi linear. Dengan cara ini, model dapat digunakan sebagai jaringan rekuren: meneruskan input untuk timestamp 0 dan timestamp 1 secara bersamaan sama dengan meneruskan input pada timestamp 0, kemudian input pada timestamp 1 bersama dengan state dari timestamp 0 (lihat contoh di bawah).

Hal ini dapat lebih efisien daripada Transformer reguler dan dapat menangani kalimat dengan panjang apa pun (bahkan jika model menggunakan panjang konteks tetap untuk pelatihan).

Model ini disumbangkan oleh [sgugger](https://huggingface.co/sgugger). Kode aslinya dapat ditemukan [di sini](https://github.com/BlinkDL/RWKV-LM).

## Contoh penggunaan

```python
import torch

from transformers import AutoTokenizer, RwkvModel

model = RwkvModel.from_pretrained("sgugger/rwkv-430M-pile", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("sgugger/rwkv-430M-pile")

inputs = tokenizer("This is an example.", return_tensors="pt").to(model.device)
# Feed everything to the model
outputs = model(inputs["input_ids"])
output_whole = outputs.last_hidden_state

outputs = model(inputs["input_ids"][:, :2])
output_one = outputs.last_hidden_state

# Using the state computed on the first inputs, we will get the same output
outputs = model(inputs["input_ids"][:, 2:], state=outputs.state)
output_two = outputs.last_hidden_state

torch.allclose(torch.cat([output_one, output_two], dim=1), output_whole, atol=1e-5)
```

Jika Anda ingin memastikan model berhenti menghasilkan teks ketika `'\n\n'` terdeteksi, kami merekomendasikan untuk menggunakan kriteria penghentian berikut:

```python
from transformers import StoppingCriteria

class RwkvStoppingCriteria(StoppingCriteria):
    def __init__(self, eos_sequence = [187,187], eos_token_id = 537):
        self.eos_sequence = eos_sequence
        self.eos_token_id = eos_token_id

    def __call__(self, input_ids: torch.LongTensor, scores: torch.Tensor, **kwargs) -> bool:
        last_2_ids = input_ids[:,-2:].tolist()
        return self.eos_sequence in last_2_ids

output = model.generate(inputs["input_ids"], max_new_tokens=64, stopping_criteria = [RwkvStoppingCriteria()])
```

## Catatan

- Gunakan padding kiri untuk generasi batched. Lihat [Sisi padding](../llm_tutorial#padding-side).

## RwkvConfig[[transformers.RwkvConfig]]

#### transformers.RwkvConfig[[transformers.RwkvConfig]]

```python
transformers.RwkvConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, vocab_size: int = 50277, context_length: int = 1024, hidden_size: int = 4096, num_hidden_layers: int = 32, attention_hidden_size: int | None = None, intermediate_size: int | None = None, layer_norm_epsilon: float = 1e-05, bos_token_id: int | None = 0, eos_token_id: int | list[int] | None = 0, rescale_every: int = 6, tie_word_embeddings: bool = False, use_cache: bool = True)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/configuration_rwkv.py#L25)

**Parameter:**

vocab_size (`int`, *opsional*, defaultnya `50277`) : Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh `input_ids`.

context_length (`int`, *opsional*, default 1024) : Panjang urutan maksimum yang dapat digunakan dengan model ini dalam satu forward (penggunaannya dalam mode RNN memungkinkan penggunaan panjang urutan apa pun).

hidden_size (`int`, *opsional*, defaultnya `4096`) : Dimensi dari representasi tersembunyi.

num_hidden_layers (`int`, *opsional*, defaultnya `32`) : Jumlah lapisan tersembunyi dalam decoder Transformer.

attention_hidden_size (`int`, *opsional*) : Dimensi dari hidden states attention. Akan default ke `hidden_size` jika tidak diset.

intermediate_size (`int`, *opsional*) : Dimensi dari representasi MLP.

layer_norm_epsilon (`float`, *opsional*, defaultnya `1e-05`) : Epsilon yang digunakan oleh lapisan normalisasi lapisan.

bos_token_id (`int`, *opsional*, defaultnya `0`) : Token id yang digunakan untuk awal-stream dalam kosakata.

eos_token_id (`Union[int, list[int]]`, *opsional*, defaultnya `0`) : Token id yang digunakan untuk end-of-stream dalam kosakata.

rescale_every (`int`, *opsional*, default 6) : Saat inferensi, hidden states (dan bobot dari lapisan output yang sesuai) dibagi dengan 2 setiap `rescale_every` lapisan. Jika diatur ke 0 atau bilangan negatif, tidak ada rescale yang dilakukan.

tie_word_embeddings (`bool`, *opsional*, defaultnya `False`) : Apakah mengikat embedding bobot sesuai dengan pemetaan `tied_weights_keys` model.

use_cache (`bool`, *opsional*, defaultnya `True`) : Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika `config.is_decoder=True` atau ketika model adalah model generatif yang hanya decoder.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari RwkvModel. Kelas ini digunakan untuk membuat instans model Rwkv berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [RWKV/rwkv-4-169m-pile](https://huggingface.co/RWKV/rwkv-4-169m-pile)

Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut.

Contoh:

```python
>>> from transformers import RwkvConfig, RwkvModel

>>> # Initializing a Rwkv configuration
>>> configuration = RwkvConfig()

>>> # Initializing a model (with random weights) from the configuration
>>> model = RwkvModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## RwkvModel[[transformers.RwkvModel]]

#### transformers.RwkvModel[[transformers.RwkvModel]]

```python
transformers.RwkvModel(config: RwkvConfig)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L487)

**Parameter:**

config ([RwkvConfig](/docs/transformers/v5.23.0/id/model_doc/rwkv#transformers.RwkvConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model.

Model Rwkv polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari [PreTrainedModel](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.)

Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

#### forward[[transformers.RwkvModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, state: list[torch.Tensor] | None = None, use_cache: bool | None = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L508)

**Parameter:**

input_ids (`torch.LongTensor` dengan bentuk `(batch_size, input_ids_length)`) : `input_ids_length` = `sequence_length` jika `past_key_values` adalah `None`, selain itu `past_key_values.get_seq_length()` (`sequence_length` dari state past key value input). Indeks token urutan input dalam kosakata. Jika `past_key_values` digunakan, hanya `input_ids` yang belum memiliki perhitungan masa lalunya yang harus diteruskan sebagai `input_ids`. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/v5.23.0/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detail. [Apa itu input IDs?](../glossary#input-ids)

attention_mask (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`:  - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**.  [Apa itu attention masks?](../glossary#attention-mask)

inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model.

state (`tuple` dari lima `torch.Tensor` dengan bentuk `(batch_size, hidden_size, num_hidden_layers)`, *opsional*) : Jika diberikan, model menggunakan state sebelumnya di semua blok (yang akan menghasilkan output untuk `input_ids` yang diberikan seolah-olah model menambahkan `state_input_ids + input_ids` sebagai konteks).

use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state terakhir akan dikembalikan dan dapat digunakan untuk dengan cepat menghasilkan logits berikutnya.

output_attentions (`bool`, *opsional*) : Apakah akan mengembalikan tensor perhatian dari semua lapisan perhatian. Lihat `attentions` di bawah tensor yang dikembalikan untuk detail lebih lanjut.

output_hidden_states (`bool`, *opsional*) : Apakah akan mengembalikan hidden states dari semua lapisan. Lihat `hidden_states` di bawah tensor yang dikembalikan untuk detail lebih lanjut.

return_dict (`bool`, *opsional*) : Apakah akan mengembalikan [ModelOutput](/docs/transformers/v5.23.0/id/main_classes/output#transformers.utils.ModelOutput) alih-alih tuple biasa.

**Mengembalikan:** `RwkvOutput` atau `tuple(torch.Tensor)`

Sebuah `RwkvOutput` atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([RwkvConfig](/docs/transformers/v5.23.0/id/model_doc/rwkv#transformers.RwkvConfig)) dan input.

Metode forward dari [RwkvModel](/docs/transformers/v5.23.0/id/model_doc/rwkv#transformers.RwkvModel) menimpa metode khusus `__call__`.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

- **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) -- Urutan hidden-states pada keluaran dari lapisan terakhir model.
- **state** (`list` berisi lima `torch.Tensor` dengan bentuk `(batch_size, hidden_size, num_hidden_layers)`) -- State model pada langkah waktu terakhir. Dapat digunakan dalam metode forward bersama `input_ids` berikutnya untuk menghindari penyediaan `input_ids` lama.
- **hidden_states** (`tuple[torch.Tensor, ...]`, *opsional*, dikembalikan ketika `output_hidden_states=True` dilewatkan atau ketika `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`.

  Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
- **attentions** (`tuple[torch.Tensor, ...]`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`.

  Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention.

## RwkvLMHeadModel[[transformers.RwkvForCausalLM]]

#### transformers.RwkvForCausalLM[[transformers.RwkvForCausalLM]]

```python
transformers.RwkvForCausalLM(config: RwkvConfig)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L667)

**Parameter:**

config ([RwkvConfig](/docs/transformers/v5.23.0/id/model_doc/rwkv#transformers.RwkvConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model.

Transformer Model RWKV dengan kepala pemodelan bahasa di atasnya (lapisan linear dengan bobot yang terikat ke embedding input).

Model ini mewarisi dari [PreTrainedModel](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.)

Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

#### forward[[transformers.RwkvForCausalLM.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, state: list[torch.Tensor] | None = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L684)

**Parameter:**

input_ids (`torch.LongTensor` dengan bentuk `(batch_size, input_ids_length)`) : `input_ids_length` = `sequence_length` jika `past_key_values` adalah `None`, selain itu `past_key_values.get_seq_length()` (`sequence_length` dari state past key value input). Indeks token urutan input dalam kosakata. Jika `past_key_values` digunakan, hanya `input_ids` yang belum memiliki perhitungan masa lalunya yang harus diteruskan sebagai `input_ids`. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/v5.23.0/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detail. [Apa itu input IDs?](../glossary#input-ids)

attention_mask (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`:  - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**.  [Apa itu attention masks?](../glossary#attention-mask)

inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model.

state (`tuple` dari lima `torch.Tensor` dengan bentuk `(batch_size, hidden_size, num_hidden_layers)`, *opsional*) : Jika diberikan, model menggunakan state sebelumnya di semua blok (yang akan menghasilkan output untuk `input_ids` yang diberikan seolah-olah model menambahkan `state_input_ids + input_ids` sebagai konteks).

labels (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Label untuk pemodelan bahasa. Perhatikan bahwa label **digeser** di dalam model, yaitu Anda dapat mengatur `labels = input_ids` Indeks dipilih dalam `[-100, 0, ..., config.vocab_size]` Semua label yang diatur ke `-100` diabaikan (dipertahankan), kerugian hanya dihitung untuk label dalam `[0, ..., config.vocab_size]`

use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state terakhir akan dikembalikan dan dapat digunakan untuk dengan cepat menghasilkan logits berikutnya.

output_attentions (`bool`, *opsional*) : Apakah akan mengembalikan tensor perhatian dari semua lapisan perhatian. Lihat `attentions` di bawah tensor yang dikembalikan untuk detail lebih lanjut.

output_hidden_states (`bool`, *opsional*) : Apakah akan mengembalikan hidden states dari semua lapisan. Lihat `hidden_states` di bawah tensor yang dikembalikan untuk detail lebih lanjut.

return_dict (`bool`, *opsional*) : Apakah akan mengembalikan [ModelOutput](/docs/transformers/v5.23.0/id/main_classes/output#transformers.utils.ModelOutput) alih-alih tuple biasa.

logits_to_keep (`Union[int, torch.Tensor]`, *opsional*, defaultnya `0`) : Jika berupa `int`, hitung logits untuk `logits_to_keep` token terakhir. Jika `0`, hitung logits untuk semua `input_ids` (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa `torch.Tensor`, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan).

**Mengembalikan:** `RwkvCausalLMOutput` atau `tuple(torch.Tensor)`

Sebuah `RwkvCausalLMOutput` atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([RwkvConfig](/docs/transformers/v5.23.0/id/model_doc/rwkv#transformers.RwkvConfig)) dan input.

Metode forward dari [RwkvForCausalLM](/docs/transformers/v5.23.0/id/model_doc/rwkv#transformers.RwkvForCausalLM) menimpa metode khusus `__call__`.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

- **loss** (`torch.Tensor` dengan bentuk `(1,)`, *opsional*, dikembalikan saat `labels` disediakan) -- Loss pemodelan bahasa (untuk prediksi token berikutnya).
- **logits** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, config.vocab_size)`) -- Skor prediksi dari kepala pemodelan bahasa (skor untuk setiap token kosakata sebelum SoftMax).
- **state** (`list` berisi lima `torch.Tensor` dengan bentuk `(batch_size, hidden_size, num_hidden_layers)`) -- State model pada langkah waktu terakhir. Dapat digunakan dalam metode forward bersama `input_ids` berikutnya untuk menghindari penyediaan `input_ids` lama.
- **hidden_states** (`tuple[torch.Tensor, ...]`, *opsional*, dikembalikan ketika `output_hidden_states=True` dilewatkan atau ketika `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`.

  Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.
- **attentions** (`tuple[torch.Tensor, ...]`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`.

  Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention.

Contoh:

```python
```

## Perhatian Rwkv dan rumus rekurens

Dalam Transformer auto-regressive tradisional, perhatian ditulis sebagai

$$O = \hbox{softmax}(QK^{T} / \sqrt{d}) V$$

dengan $Q$, $K$ dan $V$ adalah matriks berukuran `seq_len x hidden_size` yang disebut query, key, dan value (sebenarnya ini adalah matriks yang lebih besar dengan dimensi batch dan dimensi head perhatian, tetapi kami hanya tertarik pada dua dimensi terakhir, yaitu tempat perkalian matriks dilakukan, sehingga demi kesederhanaan kami hanya mempertimbangkan dua dimensi tersebut). Hasil perkalian $QK^{T}$ kemudian memiliki bentuk `seq_len x seq_len` dan kami dapat melakukan perkalian matriks dengan $V$ untuk mendapatkan output $O$ dengan bentuk yang sama seperti yang lain.

Menggantikan softmax dengan nilainya menghasilkan:

$$O_{i} = \frac{\sum_{j=1}^{i} e^{Q_{i} K_{j}^{T} / \sqrt{d}} V_{j}}{\sum_{j=1}^{i} e^{Q_{i} K_{j}^{T} / \sqrt{d}}}$$

Perhatikan bahwa entri dalam $QK^{T}$ yang sesuai dengan $j > i$ dimasker (jumlah berhenti di j) karena perhatian tidak diizinkan untuk melihat token masa depan (hanya token masa lalu).

Sebagai perbandingan, perhatian RWKV diberikan oleh

$$O_{i} = \sigma(R_{i}) \frac{\sum_{j=1}^{i} e^{W_{i-j} + K_{j}} V_{j}}{\sum_{j=1}^{i} e^{W_{i-j} + K_{j}}}$$

di mana $R$ adalah matriks baru yang disebut receptance oleh penulis, $K$ dan $V$ masih merupakan key dan value ($\sigma$ di sini adalah fungsi sigmoid). $W$ adalah vektor baru yang merepresentasikan posisi token dan diberikan oleh

$$W_{0} = u \hbox{  dan  } W_{k} = (k-1)w \hbox{ untuk } k \geq 1$$

dengan $u$ dan $w$ sebagai parameter yang dapat dipelajari, yang dalam kode disebut `time_first` dan `time_decay` masing-masing. Pembilang dan penyebut keduanya dapat diekspresikan secara rekursif. Jika diberi nama $N_{i}$ dan $D_{i}$, kita memiliki:

$$N_{i} = e^{u + K_{i}} V_{i} + \hat{N}_{i} \hbox{  di mana  } \hat{N}_{i} = e^{K_{i-1}} V_{i-1} + e^{w + K_{i-2}} V_{i-2} \cdots + e^{(i-2)w + K_{1}} V_{1}$$

sehingga `numerator_state` (disebut `numerator_state` dalam kode) memenuhi

$$\hat{N}_{0} = 0 \hbox{  dan  } \hat{N}_{j+1} = e^{K_{j}} V_{j} + e^{w} \hat{N}_{j}$$

dan

$$D_{i} = e^{u + K_{i}} + \hat{D}_{i} \hbox{  di mana  } \hat{D}_{i} = e^{K_{i-1}} + e^{w + K_{i-2}} \cdots + e^{(i-2)w + K_{1}}$$

sehingga `denominator_state` (disebut `denominator_state` dalam kode) memenuhi

$$\hat{D}_{0} = 0 \hbox{  dan  } \hat{D}_{j+1} = e^{K_{j}} + e^{w} \hat{D}_{j}$$

Rumus rekuren yang sebenarnya digunakan sedikit lebih kompleks, karena untuk stabilitas numerik kita tidak ingin menghitung eksponen dari angka-angka besar. Biasanya, softmax tidak dihitung apa adanya, melainkan eksponen dari suku maksimum dibagi dari pembilang dan penyebut:

$$\frac{e^{x_{i}}}{\sum_{j=1}^{n} e^{x_{j}}} = \frac{e^{x_{i} - M}}{\sum_{j=1}^{n} e^{x_{j} - M}}$$

dengan $M$ sebagai maksimum dari semua $x_{j}$. Jadi di sini, selain menyimpan state pembilang ($\hat{N}$) dan state penyebut ($\hat{D}$), kita juga melacak maksimum dari semua suku yang ditemui dalam eksponensial. Jadi kita sebenarnya menggunakan

$$\tilde{N}_{i} = e^{-M_{i}} \hat{N}_{i} \hbox{  dan  } \tilde{D}_{i} = e^{-M_{i}} \hat{D}_{i}$$

didefinisikan oleh rumus rekuren berikut:

$$\tilde{N}_{0} = 0 \hbox{  dan  } \tilde{N}_{j+1} = e^{K_{j} - q} V_{j} + e^{w + M_{j} - q} \tilde{N}_{j} \hbox{  di mana  } q = \max(K_{j}, w + M_{j})$$

dan

$$\tilde{D}_{0} = 0 \hbox{  dan  } \tilde{D}_{j+1} = e^{K_{j} - q} + e^{w + M_{j} - q} \tilde{D}_{j} \hbox{  di mana  } q = \max(K_{j}, w + M_{j})$$

dan $M_{j+1} = q$. Dengan itu, kita kemudian dapat menghitung

$$N_{i} = e^{u + K_{i} - q} V_{i} + e^{M_{i}} \tilde{N}_{i} \hbox{  di mana  } q = \max(u + K_{i}, M_{i})$$

dan

$$D_{i} = e^{u + K_{i} - q} + e^{M_{i}} \tilde{D}_{i} \hbox{  di mana  } q = \max(u + K_{i}, M_{i})$$

yang akhirnya memberikan kita

$$O_{i} = \sigma(R_{i}) \frac{N_{i}}{D_{i}}$$

