Преглед
Grouped-Query Attention (GQA) е начин за свиване на паметта, необходима по време на генериране на текст, като позволите на няколко глави на заявки да споделят едни и същи глави на ключ и стойност. Това прави големите модели много по-бързи за обслужване без почти никаква загуба на качество.
Grouped-Query Attention е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
В стандартен слой за внимание с няколко глави, всяка глава има свои собствени заявки, ключове и стойности. По време на генерирането ключовете и стойностите за всички предишни токени се кешират („KV кеш“), така че моделът да не ги изчислява отново. С много заглавия и дълги контексти този кеш става огромен и доминира честотната лента на паметта по време на извод. GQA, въведен от изследователите на Google през 2023 г., групира заглавията на заявките и дава на всяка група единичен споделен набор от заглавия на ключове и стойности. Ако имате 32 глави на заявка, но само 8 KV групи, KV кешът се свива приблизително четири пъти. Това се намира между пълното внимание на няколко глави (всяка глава отделна) и вниманието на множество заявки (един споделен KV за всички глави), улавяйки по-голямата част от скоростта на MQA, като същевременно поддържа качеството близо до пълното внимание. Llama 2 70B и много по-късни модели го приеха.
Техническа информация
Качеството на вниманието зависи силно от наличието на много различни посоки на заявки, но толерира споделянето на ключове и стойности. GQA използва тази асиметрия: запазва всички глави на заявки, но репликира всяка споделена KV глава в заявките в своята група. Спестяванията идват от заключението, че KV кешът е основният потребител на честотната лента на паметта; по-малко KV глави означават по-малко данни за четене на генериран токен. Моделите често се „обучават“ за кратко, за да преобразуват съществуваща контролна точка с много глави в GQA.
Овладяване на вниманието при групирани заявки
Grouped-Query Attention (GQA) е начин за свиване на паметта, необходима по време на генериране на текст, като позволите на няколко глави на заявки да споделят едни и същи глави на ключ и стойност. Това прави големите модели много по-бързи за обслужване без почти никаква загуба на качество. Grouped-Query Attention е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте Grouped-Query Attention като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Grouped-Query Attention, проектират подкани, извличане и цикли за преглед като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Llama 2 70B и Llama 3 използват GQA за обслужване на дълги контексти с по-малък KV кеш
Намаляване на GPU паметта, така че голям модел за чат да пасва на по-малко или по-евтини ускорители
Ускоряване на генерирането на токен по токен в производствени API, където честотната лента на KV-кеша е тясното място
Разрешаване на по-големи размери на партиди за обслужване на много потребители едновременно без изчерпване на паметта
Модели на изпълнение
Групирана заявка внимание на практика
Llama 2 70B и Llama 3 използват GQA за обслужване на дълги контексти с по-малък KV кеш.
Llama 2 70B и Llama 3, използващи GQA за обслужване на дълги контексти с по-малък KV кеш Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Групирана заявка внимание на практика
Намаляване на GPU паметта, така че голям модел за чат да пасва на по-малко или по-евтини ускорители.
Намаляване на паметта на графичния процесор, така че голям модел за чат да пасва на по-малко или по-евтини ускорители Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Групирана заявка внимание на практика
Ускоряване на генерирането токен по токен в производствени API, където честотната лента на KV-кеша е тясното място.
Ускоряване на генерирането токен по токен в производствени API, където пропускателната способност на KV-кеша е тясното място. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Групирана заявка внимание на практика
Разрешаване на по-големи размери на партиди за обслужване на много потребители едновременно без изчерпване на паметта.
Разрешаване на по-големи размери на партиди за обслужване на много потребители едновременно, без изчерпване на паметта Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.