在现代 LLM 中，RMSNorm 已经成为非常常见的归一化方式。它可以看作是 LayerNorm 的一个简化版本。
要理解 RMSNorm，最自然的方式是先从 LayerNorm 开始。

对于一个 hidden state：

LayerNorm 的计算公式为：

这里的和是可学习的参数，方便模型不被归一化操作限制，允许模型自己学：每个 feature 最终应该放大还是缩小。
其中：

这个公式主要包含两步：

1.1 减去均值：re-centering

首先：它会把数据的中心移动到 0。
例如：

[99,100,101]

减去均值 100 后：

[-1,0,1]

这样做可以消除整体平移带来的影响。因此 LayerNorm 对整体平移具有不变性：

减去均值会消除hidden state的整体偏移，使归一化结果只与各维度相对于均值的偏离有关，而与整个向量位于什么绝对位置无关。

1.2 除以标准差：re-scaling

接下来：

用于控制 activation 的整体尺度。

例如两个向量：

[1,2,3]

和：

[100,200,300]

虽然数值大小相差 100 倍，但它们具有相同的相对结构。

除以标准差可以消除这种整体尺度变化，避免随着网络不断加深，activation 的 magnitude 变得过大或过小。
这里可以理解为：除以标准差进一步消除整体尺度的影响，使一个向量即使被整体放大或缩小，归一化后的表示仍基本不变。 这个特性叫重缩放不变性(re-scaling invariance)

概括一下就是：

减均值负责控制 center，除标准差负责控制 scale。

2. 从 LayerNorm 到 RMSNorm

RMSNorm(Root Mean Square Layer Normalization)的作者提出了一个很自然的问题：

LayerNorm 中的 re-centering，也就是减均值这一步，真的有必要吗？

实验发现，在很多深度神经网络中，去掉减均值操作后，模型效果几乎没有明显下降。

于是 RMSNorm 直接删除了 re-centering，只保留对尺度的控制。但是之前的除以标准差的操作也是需要均值的，所以作者采用了Root Mean Square作为一组数据scale的衡量,由于 RMS 与向量的 L2 范数成正比，并具有良好的缩放性质，因此可以自然地作为 hidden state 尺度的衡量。

最终：

相比 LayerNorm：

RMSNorm 不再计算均值，也不再进行减均值操作，结构更加简单。

3. 为什么去掉均值还能 work？

一个很重要的直觉是：

归一化最重要的作用之一，是控制 activation 的尺度（magnitude），而不一定需要控制它的位置（center）。

对于：

x=[1,2,3]

如果整体放大 100 倍：

x'=[100,200,300]

虽然数值变大了，但向量内部的相对关系并没有改变。

RMSNorm 会通过 RMS 把这种整体尺度变化消除：

因此，它依然具有很重要的 scale invariance。

从几何角度来看：
可以把 RMSNorm 理解为：

尽量保持 hidden state 的方向不变，只把整个向量的长度调整到一个稳定的尺度。

而 LayerNorm 相比之下，还会额外消除向量整体平移的信息。

RMSNorm 的核心发现就是：

对于模型训练稳定性来说，控制 activation 的 magnitude 往往已经足够，re-centering 带来的额外收益并没有想象中那么重要。

因此可以用更简单的 RMSNorm 代替 LayerNorm，在保持模型效果的同时减少一部分计算。

代码实现

代码实现非常简单：下边copy一下qwen3的源码

class Qwen3NextRMSNorm(nn.Module):
    def __init__(self, dim: int, eps: float = 1e-6):
        super().__init__()
        self.eps = eps
        self.weight = nn.Parameter(torch.zeros(dim))
    def _norm(self, x):
        return x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps)
    def forward(self, x):
        output = self._norm(x.float())
        # Llama does x.to(float16) * w whilst Qwen3Next is (x * w).to(float16)
        # See https://github.com/huggingface/transformers/pull/29402
        output = output * (1.0 + self.weight.float())
        return output.type_as(x)

torch.rsqrt对于底层GPU计算是更高效的方式

总结

RMSNorm是一个为数不多没咋变的结构，从遥远的T5时期到现代LLM，归一化都是用的这个归一化方式。