SwiGLU Activation [medium]

v1 GELU 는 element-wise. 하지만 LLaMA/Mistral/Qwen 의 FFN 은 단순 활성화가 아닌 gated 구조를 씀 — SwiGLU (Shazeer 2020):

$\text{SwiGLU}(x) = \text{swish}(x W_{\text{gate}}) \odot (x W_{\text{up}})$

구성요소

• Swish/SiLU: $\text{swish}(z) = z \cdot \sigma(z) = z / (1 + e^{-z})$. ReLU/GELU 와 비슷한 smooth 활성화.
• Gate: swish(x W_gate) 가 0~선형 사이를 softly 골라냄.
• Up projection: x W_up 은 활성화 없이 넘김.
• 두 프로젝션 출력을 element-wise 곱 → hidden dim h.

후속에 W_down 을 통과해 원래 차원으로 복귀하는 게 전체 FFN. 이 문제는 SwiGLU 본체만.

왜 SwiGLU 가 주류인가

• GLU (Dauphin 2017) 가 증명: 곱셈 gating 이 FFN 성능을 크게 올림.
• Swish 가 ReLU/GELU 보다 deep net 에서 약간 우수.
• LLaMA-2, Mistral, Gemma, Qwen — 전부 SwiGLU 사용.

과제

함수 swiglu(x, W_gate, W_up) 를 완성하세요.

• x shape (N, d).
• W_gate, W_up shape (d, h).
• 반환 shape (N, h).

테스트 케이스

#	이름	검증
1	shape (N, h)
2	W_up=0 → 출력 0
3	큰 음수 gate → 출력 ≈ 0	swish(-∞)=0
4	큰 양수 gate → swish ≈ x·W_gate → 선형 gated
5	x=0 → 출력 0	swish(0)=0
6	알려진 toy 값
7	element-wise gating (독립 컬럼)