Descripción general
La atención de consultas agrupadas (GQA) es una forma de reducir la memoria necesaria durante la generación de texto al permitir que varios encabezados de consulta compartan los mismos encabezados de clave y valor. Hace que los modelos grandes sean mucho más rápidos de servir y casi sin pérdida de calidad.
La atención de consultas agrupadas es parte de la pila de inteligencia artificial del lenguaje que se utiliza para leer, generar, clasificar y transformar texto y voz a escala.
Buceo profundo
En una capa de atención estándar de múltiples cabezales, cada cabezal tiene sus propias consultas, claves y valores. Durante la generación, las claves y los valores de todos los tokens anteriores se almacenan en caché (el 'caché KV') para que el modelo no los vuelva a calcular. Con muchas cabezas y contextos largos, este caché se vuelve enorme y domina el ancho de banda de la memoria en el momento de la inferencia. GQA, presentado por investigadores de Google en 2023, agrupa los encabezados de consulta y proporciona a cada grupo un único conjunto compartido de encabezados de claves y valores. Si tiene 32 cabezales de consulta pero solo 8 grupos de KV, la caché de KV se reduce aproximadamente a cuatro veces. Esto se ubica entre la atención total de múltiples cabezas (cada cabeza separada) y la atención de múltiples consultas (un KV compartido para todas las cabezas), capturando la mayor parte de la velocidad de MQA mientras mantiene la calidad cerca de la atención total. Llama 2 70B y muchos modelos posteriores lo adoptaron.
Información técnica
La calidad de la atención depende en gran medida de tener muchas direcciones de consulta distintas, pero tolera compartir las claves y los valores. GQA explota esta asimetría: mantiene todos los encabezados de consulta pero replica cada encabezado KV compartido en las consultas de su grupo. Los ahorros se obtienen por inferencia, donde la caché KV es el principal consumidor de ancho de banda de memoria; Menos cabezales KV significan menos datos para leer por token generado. Los modelos a menudo se "mejoran" brevemente para convertir un punto de control de múltiples cabezales existente en uno de GQA.
Dominar la atención de consultas agrupadas
La atención de consultas agrupadas (GQA) es una forma de reducir la memoria necesaria durante la generación de texto al permitir que varios encabezados de consulta compartan los mismos encabezados de clave y valor. Hace que los modelos grandes sean mucho más rápidos de servir y casi sin pérdida de calidad. La atención de consultas agrupadas es parte de la pila de inteligencia artificial del lenguaje que se utiliza para leer, generar, clasificar y transformar texto y voz a escala. Para generar una comprensión profunda, trate la atención de consultas agrupadas como un modelo operativo, no como una característica única: defina los resultados deseados, aclare las suposiciones y separe lo que el sistema puede hacer de manera confiable de lo que aún requiere el juicio de expertos.
En la práctica, los equipos fuertes que utilizan la atención de consultas agrupadas diseñan mensajes, recuperación y bucles de revisión como un sistema de comunicación integrado. Documentan criterios de éxito explícitos, se prueban con datos y flujos de trabajo realistas y se iteran en función de patrones de error observados en lugar de victorias de referencia únicas. Aquí es donde la comprensión teórica se convierte en una capacidad duradera en todos los productos, políticas y operaciones.
Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia. Al mismo tiempo, los hechos alucinados pueden entrar silenciosamente en informes, flujos de apoyo o resultados de investigaciones. El enfoque más resiliente es combinar la velocidad de experimentación con la disciplina de gobernanza: ejecutar pilotos, capturar evidencia, publicar registros de decisiones y actualizar continuamente las salvaguardas a medida que evolucionan el comportamiento del modelo, las expectativas de los usuarios y los requisitos regulatorios.
Impacto Estratégico
Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
Amplía el acceso a través de idiomas y estilos de comunicación.
Amplía el acceso a través de idiomas y estilos de comunicación. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
Implementación en el mundo real
Llama 2 70B y Llama 3 usan GQA para servir contextos largos con un caché KV más pequeño
Reducir la memoria de la GPU para que un modelo de chat grande quepa en menos aceleradores o más baratos
Acelerar la generación token por token en las API de producción donde el ancho de banda de la caché KV es el cuello de botella
Permitir tamaños de lote más grandes para atender a muchos usuarios simultáneamente sin agotar la memoria
Patrones de implementación
Atención de consultas agrupadas en la práctica
Llama 2 70B y Llama 3 usan GQA para servir contextos largos con un caché KV más pequeño.
Llama 2 70B y Llama 3 usan GQA para atender contextos prolongados con una caché KV más pequeña. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Atención de consultas agrupadas en la práctica
Reducir la memoria de la GPU para que un modelo de chat grande quepa en menos aceleradores o más baratos.
Reducir la memoria de la GPU para que un modelo de chat grande quepa en menos aceleradores o más baratos. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Atención de consultas agrupadas en la práctica
Acelerar la generación token por token en las API de producción donde el ancho de banda de la caché KV es el cuello de botella.
Acelerar la generación token por token en las API de producción donde el ancho de banda de la caché KV es el cuello de botella. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalamiento humano para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Atención de consultas agrupadas en la práctica
Permitir tamaños de lote más grandes para atender a muchos usuarios simultáneamente sin agotar la memoria.
Permitir tamaños de lote más grandes para atender a muchos usuarios simultáneamente sin agotar la memoria. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalamiento humano para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Riesgos y barandillas
Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Hoja de ruta de implementación
Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
Respuestas terrestres con fuentes confiables siempre que la precisión sea importante. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
Mantenga un punto de control de revisión humana para los resultados de alto riesgo. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.