1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
/// Print cross-attention flow (critical for debugging Posterior Collapse)
#[allow(clippy::too_many_lines)] // Visual debugging output requires detailed formatting
fn print_cross_attention_flow(
reader: Option<&AprReader>,
tensor_names: &[String],
layer_filter: Option<&str>,
verbose: bool,
) {
println!(
"{}",
"═══════════════════════════════════════════════════════════════".dimmed()
);
println!("{}", " CROSS-ATTENTION DATA FLOW".bold());
println!(
"{}",
" (Posterior Collapse occurs when decoder ignores this)".dimmed()
);
println!(
"{}",
"═══════════════════════════════════════════════════════════════".dimmed()
);
println!();
// Find cross-attention layers
let cross_attn_layers: Vec<_> = tensor_names
.iter()
.filter(|n| n.contains("encoder_attn") || n.contains("cross_attn"))
.filter(|n| n.contains("q_proj.weight"))
.filter(|n| layer_filter.is_none_or(|f| n.contains(f)))
.collect();
if cross_attn_layers.is_empty() {
println!("{}", "No cross-attention layers found".yellow());
return;
}
println!(
"Found {} cross-attention Q projections\n",
cross_attn_layers.len().to_string().green()
);
for q_weight_name in &cross_attn_layers {
let layer_prefix = q_weight_name
.strip_suffix(".q_proj.weight")
.unwrap_or(q_weight_name);
println!("┌─────────────────────────────────────────────────────────────┐");
println!("│ {} │", layer_prefix.cyan().bold());
println!("├─────────────────────────────────────────────────────────────┤");
println!("│ │");
println!(
"│ {} [seq_len, d_model] │",
"encoder_output".green()
);
println!("│ │ │");
println!("│ ├───────────────┬───────────────┐ │");
println!("│ ▼ ▼ │ │");
println!("│ ┌──────────┐ ┌──────────┐ │ │");
println!(
"│ │ {} │ │ {} │ │ │",
"w_k".yellow(),
"w_v".yellow()
);
println!("│ └────┬─────┘ └────┬─────┘ │ │");
println!("│ ▼ ▼ │ │");
println!("│ K [seq, d] V [seq, d] │ │");
println!("│ │ │ │ │");
println!(
"│ {} [dec_len, d_model] │ │ │",
"decoder_hidden".magenta()
);
println!("│ │ │ │ │");
println!("│ ▼ │ │ │");
println!("│ ┌──────────┐ │ │ │");
println!(
"│ │ {} │ │ │ │",
"w_q".yellow()
);
println!("│ └────┬─────┘ │ │ │");
println!("│ ▼ │ │ │");
println!("│ Q [dec, d] │ │ │");
println!("│ │ │ │ │");
println!("│ └───────┬───────┘ │ │");
println!("│ ▼ │ │");
println!("│ ┌────────────────────────┐ │ │");
println!("│ │ Q @ K^T / √d_k │ │ │");
println!("│ │ = scores [dec, seq] │ │ │");
println!("│ └───────────┬────────────┘ │ │");
println!("│ ▼ │ │");
println!("│ ┌────────────────────────┐ │ │");
println!("│ │ softmax(scores) │ │ │");
println!(
"│ │ = attn_weights │ ◄─ {} │",
"CRITICAL".red().bold()
);
println!("│ └───────────┬────────────┘ If uniform → Collapse │");
println!("│ │ │ │");
println!("│ └────────────────────────┘ │");
println!("│ ▼ │");
println!("│ ┌────────────────────────┐ │");
println!("│ │ attn_weights @ V │ │");
println!("│ │ = context [dec, d] │ │");
println!("│ └───────────┬────────────┘ │");
println!("│ ▼ │");
println!("│ ┌──────────┐ │");
println!(
"│ │ {} │ │",
"w_o".yellow()
);
println!("│ └────┬─────┘ │");
println!("│ ▼ │");
println!("│ output [dec_len, d_model] │");
println!("│ │");
println!("└─────────────────────────────────────────────────────────────┘");
if verbose {
// Show weight statistics
for suffix in &[
"q_proj.weight",
"k_proj.weight",
"v_proj.weight",
"out_proj.weight",
] {
let tensor_name = format!("{layer_prefix}.{suffix}");
if let Some(Ok(data)) = reader.map(|r| r.read_tensor_f32(&tensor_name)) {
let (min, max, mean, std) = compute_stats(&data);
println!(
" {}: min={:.4} max={:.4} mean={:.4} std={:.4}",
suffix.dimmed(),
min,
max,
mean,
std
);
}
}
}
println!();
}
// Diagnostic hint
println!("{}", "─".repeat(65));
println!("{}", "DIAGNOSTIC HINT:".yellow().bold());
println!("If attention weights are nearly uniform (max ≈ 1/seq_len),");
println!("decoder is ignoring encoder output → Posterior Collapse");
println!();
println!("Check with: apr trace model.apr --layer cross_attn --payload");
}
/// Print self-attention flow
fn print_self_attention_flow(
_reader: Option<&AprReader>,
_tensor_names: &[String],
_layer_filter: Option<&str>,
_verbose: bool,
) {
println!(
"{}",
"═══════════════════════════════════════════════════════════════".dimmed()
);
println!("{}", " SELF-ATTENTION DATA FLOW".bold());
println!(
"{}",
"═══════════════════════════════════════════════════════════════".dimmed()
);
println!();
println!("┌─────────────────────────────────────────────────────────────┐");
println!(
"│ {} │",
"SELF-ATTENTION".cyan().bold()
);
println!("├─────────────────────────────────────────────────────────────┤");
println!("│ │");
println!("│ input [seq_len, d_model] │");
println!("│ │ │");
println!("│ ├───────────────┬───────────────┐ │");
println!("│ ▼ ▼ ▼ │");
println!("│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │");
println!(
"│ │ {} │ │ {} │ │ {} │ │",
"w_q".yellow(),
"w_k".yellow(),
"w_v".yellow()
);
println!("│ └────┬─────┘ └────┬─────┘ └────┬─────┘ │");
println!("│ ▼ ▼ ▼ │");
println!("│ Q [seq, d] K [seq, d] V [seq, d] │");
println!("│ │ │ │ │");
println!("│ └───────┬───────┘ │ │");
println!("│ ▼ │ │");
println!("│ ┌────────────────────────┐ │ │");
println!("│ │ Q @ K^T / √d_k │ │ │");
println!("│ │ + causal_mask │ (decoder only) │");
println!("│ └───────────┬────────────┘ │ │");
println!("│ ▼ │ │");
println!("│ ┌────────────────────────┐ │ │");
println!("│ │ softmax(scores) │ │ │");
println!("│ └───────────┬────────────┘ │ │");
println!("│ │ │ │");
println!("│ └────────────────────────┘ │");
println!("│ ▼ │");
println!("│ ┌────────────────────────┐ │");
println!("│ │ attn_weights @ V │ │");
println!("│ └───────────┬────────────┘ │");
println!("│ ▼ │");
println!("│ ┌──────────┐ │");
println!(
"│ │ {} │ │",
"w_o".yellow()
);
println!("│ └────┬─────┘ │");
println!("│ ▼ │");
println!("│ output [seq_len, d_model] │");
println!("│ │");
println!("└─────────────────────────────────────────────────────────────┘");
}
/// Print FFN flow
fn print_ffn_flow(
_reader: Option<&AprReader>,
_tensor_names: &[String],
_layer_filter: Option<&str>,
_verbose: bool,
) {
println!(
"{}",
"═══════════════════════════════════════════════════════════════".dimmed()
);
println!("{}", " FEED-FORWARD NETWORK FLOW".bold());
println!(
"{}",
"═══════════════════════════════════════════════════════════════".dimmed()
);
println!();
println!("┌─────────────────────────────────────────────────────────────┐");
println!(
"│ {} │",
"FFN".yellow().bold()
);
println!("├─────────────────────────────────────────────────────────────┤");
println!("│ │");
println!("│ input [seq_len, d_model] │");
println!("│ │ │");
println!("│ ▼ │");
println!("│ ┌──────────────────────────┐ │");
println!(
"│ │ {} [d_model → d_ff] │ │",
"fc1".yellow()
);
println!("│ └───────────┬──────────────┘ │");
println!("│ ▼ │");
println!("│ ┌──────────────────────────┐ │");
println!(
"│ │ {} (x * sigmoid(1.702*x)) │ │",
"GELU".cyan()
);
println!("│ └───────────┬──────────────┘ │");
println!("│ ▼ │");
println!("│ hidden [seq_len, d_ff] │");
println!("│ │ │");
println!("│ ▼ │");
println!("│ ┌──────────────────────────┐ │");
println!(
"│ │ {} [d_ff → d_model] │ │",
"fc2".yellow()
);
println!("│ └───────────┬──────────────┘ │");
println!("│ ▼ │");
println!("│ output [seq_len, d_model] │");
println!("│ │");
println!("└─────────────────────────────────────────────────────────────┘");
}
/// Compute basic statistics
fn compute_stats(data: &[f32]) -> (f32, f32, f32, f32) {
if data.is_empty() {
return (0.0, 0.0, 0.0, 0.0);
}
let mut min = f32::INFINITY;
let mut max = f32::NEG_INFINITY;
let mut sum = 0.0_f64;
for &x in data {
min = min.min(x);
max = max.max(x);
sum += f64::from(x);
}
let mean = (sum / data.len() as f64) as f32;
let variance: f32 = (data
.iter()
.map(|&x| {
let diff = f64::from(x) - f64::from(mean);
diff * diff
})
.sum::<f64>()
/ data.len() as f64) as f32;
let std = variance.sqrt();
(min, max, mean, std)
}