СледваСледващо ръководство
KV кеш оптимизация
технически
Език AI РЪКОВОДСТВО
KV Кеш
KV кешът съхранява векторите на ключовете и стойностите, които трансформаторът вече е изчислил за предишни токени, така че не се налага да ги изчислява отново за всяка нова дума, която генерира.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
It is the single biggest reason text generation is fast — and the main thing eating your GPU memory during long conversations.
Дълбоко гмуркане
Трансформаторите генерират текст един токен наведнъж и всеки нов слой за внимание на токена трябва да се сравни с всеки предишен токен. Механизмът за внимание превръща всеки токен в вектор на заявка, ключ и стойност. Без кеширане, генерирането на токен номер 1000 би означавало повторно изчисляване на ключове и стойности за всичките 999 по-ранни токена на всяка стъпка — квадратична, разточителна работа. Кешът на KV запазва тези вектори на ключове и стойности, след като са изчислени за първи път, и ги използва повторно, така че всяка нова стъпка изчислява вектори само за най-новия токен и обслужва съхранения кеш. Това намалява цената на токен от мащабиране с дължина на последователността до приблизително постоянна. Компромисът е паметта: кешът расте линейно с дължината на контекста, броя на слоевете и главите на вниманието, като често се превръща в доминиращ потребител на памет при обслужване на дълъг контекст.
Внедряване в реалния свят
Ускоряване на отговорите на chatbot чрез повторно използване на кеширани ключове/стойности от историята на разговора, вместо повторното й обработване на всеки ход.
Кеширане на префикс, което споделя кеша за дълга системна подкана между много потребители, намалявайки разходите и забавянето.
PagedAttention на vLLM управлява KV кеша в блокове за ефективно обслужване на много едновременни заявки на един GPU.
Квантуване на KV кеша за по-ниска прецизност, за да се поберат по-дълги контексти в ограничена GPU памет.
Бъдещето на KV Cache
Тъй като контекстните прозорци се простират в стотици хиляди токени, KV кешът се превръща в централното тясно място, така че иновациите са ожесточени: квантуване на кеша до 8 или 4 бита, политики за изгонване, които изпускат токени с ниска важност, споделяне на префикс на кръстосана заявка и разтоварване към CPU или диск. Архитектурни промени като латентно внимание с много глави компресират самия кеш. Очаквайте продължително съвместно проектиране на варианти за внимание и системи за памет, насочени към обслужване на много дълги контексти евтино и с висока производителност.
Прилагайки го на практика
Защо има значение
- Скорост и мащаб. Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
- Достъп и обхват. Той разширява достъпа между езици и стилове на комуникация.
- По-ясни решения. Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Внимавайте за
- 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.
Следващи стъпки
- Определете изходен формат, тон и стандарти за качество преди внедряване.
- Наземни отговори с доверени източници винаги, когато точността има значение.
- Поддържайте контролна точка за човешки преглед за изходи с високи залози.
- Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the KV Cache quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
What is KV Cache?
KV кешът съхранява векторите на ключовете и стойностите, които трансформаторът вече е изчислил за предишни токени, така че не се налага да ги изчислява отново за всяка нова дума, която генерира. Това е най-голямата причина генерирането на текст да е бързо — и основното нещо, което изяжда паметта на GPU по време на дълги разговори.
Какво съхранява KV кеша?
KV кешът съдържа векторите на ключове и стойности от по-ранни токени, така че вниманието може да ги използва повторно, вместо да ги изчислява отново.
Какъв проблем основно решава KV кеша?
The cache reuses keys and values computed for earlier tokens instead of rebuilding them at every decode step. The new query still attends over cached positions, so attention work and cache memory continue to grow with context length.
Какъв е основният недостатък на KV кеша?
Кешът расте с дължината на последователността, слоевете и главите, като често се превръща в доминиращ потребител на GPU памет при обслужване на дълъг контекст.
Коя техника намалява размера на KV кеша чрез споделяне на ключове и стойности между главите на вниманието?
Вниманието за групирани заявки и множество заявки позволява на множество глави на заявки да споделят по-малко набори ключ/стойност, свивайки значително кеша.
Какви са двете фази на извода на трансформатора по отношение на KV кеша?
Prefill запълва кеша с K/V на подканата; decode добавя един нов K/V на токена на всяка стъпка и пренасочва към кеша.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема