RMNP: Row-Momentum Normalized Preconditioning for Scalable Matrix-Based Optimization¶
会议: ICML 2026
arXiv: 2603.20527
代码: 论文正文提到「Our code is available at this link」
领域: 优化算法 / LLM 预训练
关键词: Preconditioning, Muon, Newton-Schulz, 行归一化, Transformer Hessian
一句话总结¶
本文基于 Transformer 层级 Hessian 的「行块对角占优」结构，把 Muon 优化器里昂贵的 Newton-Schulz 正交化换成一次行级 \(\ell_2\) 归一化，将每步预条件复杂度从 \(\mathcal{O}(mn\min(m,n))\) 降到 \(\mathcal{O}(mn)\)，在 GPT-2 / LLaMA 预训练上 wall-clock 提速 13–44×、ppl 不降反略升。
研究背景与动机¶
领域现状：Adam/AdamW 一类对角预条件器虽然便宜，但忽略参数间相关性；K-FAC、Shampoo 等用 Kronecker 分解结构捕捉矩阵级曲率；最近的 Muon 用 Newton-Schulz 迭代 \(D_t \approx (V_tV_t^\top)^{-1/2}V_t\) 隐式实现 \(H^{-1}\) 而不需要显式求逆，已成为大模型预训练里 AdamW 的强力竞争者。
现有痛点：Muon 每步要做 5 次矩阵乘的 Newton-Schulz 多项式逼近，复杂度 \(\mathcal{O}(mn\min(m,n))\)，对宽矩阵（\(m,n\) 都很大）开销迅速变成训练瓶颈 —— GPT-2 1.5B 每 100 步光预条件就要 36.65 秒。
核心矛盾：Muon 是按「对 \(V_tV_t^\top\) 做完整谱重整」设计的，但近期工作（Zhang et al., Dong et al.）发现 Transformer 层级 Hessian 实际上行块对角占优 —— 即只有对角块（同一行内交互）显著，跨行交互几乎可忽略；这意味着 Muon 花了大量算力去拟合一个根本「几乎为对角」的结构。
本文目标：构造一个与 Muon 同复杂度的等价近似，但只保留行级对角块，从而在不损失优化质量的前提下把复杂度压到线性级。
切入角度：作者从 K-FAC 形式 \(H_{\text{MUON}}=(V_tV_t^\top)^{1/2}\otimes I_n\) 出发，假设只需保留对角元 \(\operatorname{diag}(V_tV_t^\top)\)，并实测 Transformer 训练中 Gram 矩阵 \(V_tV_t^\top\) 的「对角/非对角幅值比」\(r_{\min},r_{\text{avg}},r_{\max}\) 长期保持 > 1 且随模型增大持续上升，验证了上述假设。
核心 idea：把 Newton-Schulz \((V_tV_t^\top)^{-1/2}V_t\) 替换为简单的「行向量除以行 \(\ell_2\) 范数」—— 这等价于用 \((\operatorname{diag}(V_tV_t^\top))^{-1/2}\otimes I_n\) 作为预条件器，恰好对应 Hessian 的行块对角近似。
方法详解¶
整体框架¶
RMNP 与 Muon 在算法骨架上几乎一模一样：每步 (i) 取小批量梯度 \(G_t=\nabla f(W_t;\xi^t)\)；(ii) 维护一阶动量 \(V_t=\beta V_{t-1}+(1-\beta)G_t\)；(iii) 预条件得到下降方向 \(D_t\)；(iv) 更新 \(W_{t+1}=W_t-\eta_t D_t\)。区别只在第 (iii) 步：Muon 用 5 次 Newton-Schulz 迭代 \(D_t=\operatorname{NS}_5(V_t)\approx(V_tV_t^\top)^{-1/2}V_t\)；RMNP 用 \(D_t=\operatorname{RN}(V_t)=(\operatorname{diag}(V_tV_t^\top))^{-1/2}V_t\)，即直接对动量矩阵的每一行 \(V_{t,i:}\) 做 \(V_{t,i:}/\|V_{t,i:}\|_2\)。整体上 RMNP 沿用 Muon 的混合策略 —— 矩阵参数用 RMNP，非矩阵参数（embedding/biases/norm）继续用 AdamW，并配合两套学习率 \(\text{lr}_{\text{AdamW}}\) 与 \(\text{lr}_{\text{Matrix}}\)。
关键设计¶
-
行级 \(\ell_2\) 归一化预条件器:
- 功能：用一次复杂度 \(\mathcal{O}(mn)\) 的逐行除以范数操作，等价实现「按 Hessian 对角块缩放」的预条件效果。
- 核心思路：从 \(H_{\text{MUON}}=(V_tV_t^\top)^{1/2}\otimes I_n\) 出发，丢掉所有非对角块得到 \(H_{\text{RMNP}}=(\operatorname{diag}(V_tV_t^\top))^{1/2}\otimes I_n\)；其逆预条件作用在 \(V_t\) 上恰好得到 \([\ldots]_{i,:}=V_{t,i:}/\sqrt{(V_tV_t^\top)_{ii}}=V_{t,i:}/\|V_{t,i:}\|_2\)，即标准的行 \(\ell_2\) 归一化。整套实现只是「按行求平方和、开方、除」三个 op，无矩阵乘。
- 设计动机：把 Muon 中 \(\mathcal{O}(mn\cdot\min(m,n))\) 的瓶颈彻底消除；同时保留矩阵级自适应（仍是 row-wise 而非 element-wise）；且与 LMO 框架下的 row-normalized 优化器（SRON、SCALE、SWAN、Mano、MOGA）思想一致，但作者用 Hessian 结构而非 worst-case norm 推导出来。
-
基于 Hessian 行块占优的合理性验证:
- 功能：把「Newton-Schulz 与 row-normalization 等价」从一个直觉变成可度量、可观察的实证现象。
- 核心思路：作者对 Gram 矩阵 \(V_tV_t^\top\) 定义逐行比 \(r_i \triangleq (V_tV_t^\top)_{ii}/(\frac{1}{m-1}\sum_{j\ne i}|(V_tV_t^\top)_{ij}|)\)，再聚合成 \(r_{\text{avg}},r_{\min},r_{\max}\)；在 GPT-2 Small/Medium/Large 与 LLaMA 60M/130M/350M 上跟踪整个训练过程，发现 warm-up 后这三个指标全部稳定在 \(>1\) 区域，且模型越大对角占优越显著（GPT-2 Small 上 \(\bar r_{\text{avg}}\approx 4.9, \bar r_{\max}\approx 60\)）。
- 设计动机：传统 steepest-descent / LMO 分析只能给出 worst-case 保证，无法解释「为什么这种特定 norm 对神经网络好」；只有从实际损失景观的结构出发才能回答这个问题，作者用 Hessian 实证补上这一块。
-
非凸收敛性的几何匹配证明:
- 功能：在三种不同的光滑性 + 收敛准则组合下给出与 Muon 现有最好理论同阶的 \(\mathcal{O}(\epsilon^{-4})\) 复杂度。
- 核心思路：定义混合范数 \(\|W\|_{1,2}=\sum_i\|W_{i,:}\|_2\) 和 \(\|W\|_{\infty,2}=\max_i \|W_{i,:}\|_2\)，它们满足 \(|\langle A,B\rangle|\le \|A\|_{1,2}\|B\|_{\infty,2}\)。Theorem 5.5 在 Frobenius-Lipschitz 下给出以 \(\|\nabla f\|_F\) 为准则的 \(\mathcal{O}(m^2 L_F\sigma^2\Delta\epsilon^{-4})\)；Theorem 5.7 同样光滑性、\(\|\nabla f\|_{1,2}\) 准则也是 \(\mathcal{O}(m^2)\)；最关键的 Theorem 5.9 在 \(L_{\infty,2}\)-光滑性下给出 \(\mathcal{O}(mL_{\infty,2}\sigma^2\Delta\epsilon^{-4})\) 的 \(\mathcal{O}(m)\) 维数依赖 —— 与 Muon 在核范数光滑下的最优复杂度一致，达到非凸随机优化的 minimax 下界。
- 设计动机：要说服 community「便宜不等于劣等」，必须证明 RMNP 在与 Muon 同等理论尺度下不掉精度；而 \(\|\cdot\|_{\infty,2}\) 光滑性恰好与 RMNP 的行归一化几何对齐，这正是 RMNP 能维持精度的理论原因。
损失函数 / 训练策略¶
标准 LLM 预训练 CE loss。优化器侧：cosine annealing schedule + 10% warmup；AdamW 部分 \(\beta=(0.9,0.95)\)，weight decay 0.1；矩阵部分单独搜 \(\text{lr}_{\text{Matrix}}\)。仅对矩阵参数应用 RMNP，embedding / lm-head / biases / layer-norm 仍走 AdamW。
实验关键数据¶
主实验¶
| 模型 | 数据 | Muon ppl | RMNP ppl | RMNP 相对 AdamW |
|---|---|---|---|---|
| GPT-2 Small (125M) | OpenWebText 5B tok | -- | \(\Delta\)=-0.04 | -1.37 |
| GPT-2 Medium (355M) | OpenWebText 10B tok | -- | -0.07 | -1.49 |
| GPT-2 Large (770M) | OpenWebText 20B tok | -- | -0.24 | -0.84 |
| LLaMA-60M | C4 1B tok | -- | -0.63 | -4.33 |
| LLaMA-130M | C4 2B tok | -- | -0.28 | -1.10 |
| LLaMA-350M | C4 6B tok | -- | -0.02 | -- |
预条件 wall-clock 时间（100 步, 单 RTX Pro 6000, batch 16）
| 模型规模 | Muon (s) | RMNP (s) | 加速 |
|---|---|---|---|
| 60M | 1.480 | 0.115 | 12.9× |
| 125M | 2.975 | 0.201 | 14.8× |
| 355M | 7.380 | 0.401 | 18.4× |
| 770M | 27.070 | 0.611 | 44.3× |
| 1.3B | 30.570 | 0.783 | 39.0× |
| 1.5B | 36.650 | 0.855 | 42.9× |
消融实验¶
| 配置 | 现象 | 说明 |
|---|---|---|
| 完整 RMNP (行 \(\ell_2\)) | ppl 与 Muon 持平甚至略低 | 主结果 |
| 仅看对角占优指标 \(r_i\) | \(r_{\min}>1\) 持续整个训练 | 行块对角占优假设成立 |
| 模型放大（60M→1.5B） | \(r_{\text{avg}}, r_{\max}\) 持续上升 | 越大模型越偏对角，RMNP 越合理 |
| 2× 训练 budget | 优势保持 | RMNP 不只是早期更快 |
| 同时应用到 LM-head / Embedding | 见 D.4 | 提供进一步效率空间 |
关键发现¶
- 复杂度差距随模型放大而拉大：60M 上 Muon 预条件只 1.48s，RMNP 提速 12.9×；到 1.5B 时 Muon 涨到 36.65s 而 RMNP 仍 < 1s，提速 42.9×。在 ≥1B 模型上 Newton-Schulz 已经成为 end-to-end 训练的真实瓶颈。
- ppl 不仅没掉，反而在多数 scale 上小幅优于 Muon —— 说明对 Transformer 而言 Newton-Schulz 的「跨行」修正可能是无效甚至有害的过拟合。
- 三个理论 Theorem 一起证明：RMNP 在 \(\|\cdot\|_{\infty,2}\) 光滑这种「与算法几何匹配」的设定下能拿到 \(\mathcal{O}(m)\) 维度复杂度，与 Muon 的核范数分析对偶。
亮点与洞察¶
- 用 Hessian 结构反向指导优化器设计 —— 不依赖 worst-case norm，而是看「神经网络真实长什么样」，这是相比 LMO 框架推导 row-norm 工作（SCALE/SWAN/Mano/MOGA）的关键论证升级。
- 行 \(\ell_2\) 归一化两行代码就能替掉 Muon 里几十行 Newton-Schulz —— 易用性上几乎零成本，可直接 drop-in。
- 理论部分给出三种 norm 组合下的统一收敛分析，特别是 \(\|\cdot\|_{\infty,2}\) smoothness + \(\|\cdot\|_{1,2}\) 准则的几何匹配，为「矩阵级优化器选哪种 norm」提供了模板。
- \(r_{\min},r_{\text{avg}},r_{\max}\) 这种逐行对角占优度量可作为「该不该用 row-norm 优化器」的诊断工具迁移到其他架构。
局限与展望¶
- 实验主要集中在 GPT-2 与小型 LLaMA（最高 1.5B），尚未在主流 70B+ 上验证；理论的几何假设是否在 MoE、Mamba 等架构上仍成立未明。
- 行块对角占优是「Transformer 现象」，对 CNN / GNN 的 Hessian 是否同样成立、RMNP 是否还能 drop-in 仍待回答。
- 实验仅在预训练上做，没有覆盖 SFT/RLHF 等后训练阶段。
- 没有处理嵌入层 / LM-head 这种非方形且行数极大的矩阵的最佳归一化轴选择，附录里有初步消融但未给统一推荐。
相关工作与启发¶
- vs Muon: 思想一致（矩阵级自适应），但 RMNP 显式利用 Transformer Hessian 结构，把预条件操作从 \(\mathcal{O}(mn\min(m,n))\) 砍到 \(\mathcal{O}(mn)\)。
- vs Shampoo / K-FAC: 两者都是 Kronecker 分解的对角块近似，但需要显式构造并求逆 \(L,R\)；RMNP 仅靠隐式动量统计绕过显式矩阵。
- vs SCALE / SWAN / Mano / MOGA: 同样是 row/column 归一化，但前人是从 LMO/steepest descent 的 worst-case 视角推导；RMNP 从 Hessian 结构推导，并给出第一份「跟 Muon 同阶」的非凸收敛证明。
- 启发：对其他「实现复杂但结构上很冗余」的优化器（如 Shampoo），可用类似「测一下 Hessian / Gram 是否真的稠密」的实证手段去寻找廉价等价物。
评分¶
- 新颖性: ⭐⭐⭐⭐ 把行归一化与 Transformer Hessian 结构挂钩，并给出与 Muon 等价的理论复杂度
- 实验充分度: ⭐⭐⭐⭐ GPT-2 + LLaMA 多 scale + 预条件 wall-clock + 对角占优度量，覆盖完整
- 写作质量: ⭐⭐⭐⭐ 算法图清晰、动机一句话讲透；理论部分较密集需慢读
- 价值: ⭐⭐⭐⭐⭐ 大模型预训练可直接 drop-in，省 13–44× 预条件时间，工程价值极高