Descripción general
La atención de consultas múltiples (MQA) es una versión de la atención del transformador que ahorra memoria y comparte un conjunto de claves y valores entre todos los cabezales de atención. Acelera drásticamente la generación de texto al reducir la memoria que el modelo debe barajar.
La atención de consultas múltiples es parte de la pila de lenguaje-IA utilizada para leer, generar, clasificar y transformar texto y voz a escala.
Buceo profundo
La atención estándar de múltiples cabezales brinda a cada cabezal su propia consulta, clave y proyecciones de valor. Durante la generación, las claves y los valores de todos los tokens anteriores deben almacenarse en caché y recargarse en cada paso; este caché KV se convierte en el principal cuello de botella, ya que leerlo desde la memoria es más lento que las matemáticas mismas. La atención de consultas múltiples, propuesta por Noam Shazeer en 2019, mantiene proyecciones de consultas separadas por encabezado, pero colapsa las claves y los valores en un único encabezado compartido. Esto reduce la caché KV en un factor igual al número de cabezales, a veces entre 8 y 64 veces más pequeño. El resultado es una decodificación autorregresiva mucho más rápida y una menor huella de memoria, con sólo una modesta caída de calidad. Un término medio, la atención de consultas agrupadas, equilibra el equilibrio.
Información técnica
En MQA, los pesos de las consultas aún producen H vectores de consulta separados, pero todos los cabezales comparten una única proyección de clave y una proyección de valor único. Cada cabeza calcula la atención utilizando su propia consulta con las mismas claves y valores. Debido a que los tensores K y V almacenados en caché ya no escalan con el número de cabezas, el ancho de banda de la memoria durante la decodificación cae drásticamente, y el ancho de banda, no la computación, es lo que controla la velocidad de generación en los aceleradores modernos.
Dominar la atención de consultas múltiples
La atención de consultas múltiples (MQA) es una versión de la atención del transformador que ahorra memoria y comparte un conjunto de claves y valores entre todos los cabezales de atención. Acelera drásticamente la generación de texto al reducir la memoria que el modelo debe barajar. La atención de consultas múltiples es parte de la pila de lenguaje-IA utilizada para leer, generar, clasificar y transformar texto y voz a escala. Para generar una comprensión profunda, trate la atención de consultas múltiples 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 múltiples diseñan bucles de indicaciones, recuperación y 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
Acelerar la generación token por token en los asistentes de chat donde la caché KV, no el cálculo sin procesar, limita el rendimiento.
PaLM de Google, que utilizaba atención de consultas múltiples para permitir una inferencia eficiente a gran escala.
Sirve a muchos usuarios simultáneos en una GPU reduciendo la memoria caché KV por solicitud.
Atención de consultas agrupadas en Llama 2 70B y Llama 3, un descendiente directo que equilibra la velocidad de MQA con la calidad de la atención total.
Patrones de implementación
Atención multiconsulta en la práctica
Acelerar la generación token por token en los asistentes de chat donde la caché KV, no el cálculo sin procesar, limita el rendimiento.
Acelerar la generación token por token en asistentes de chat donde la caché KV, no la computación sin procesar, limita el rendimiento. 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 multiconsulta en la práctica
PaLM de Google, que utilizaba atención de consultas múltiples para permitir una inferencia eficiente a gran escala.
PaLM de Google, que utilizó atención de consultas múltiples para permitir una inferencia eficiente a gran escala. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalamiento humano para casos extremos y rastrean tanto las ganancias de productividad como los costos de error a lo largo del tiempo.
Atención multiconsulta en la práctica
Sirve a muchos usuarios simultáneos en una GPU reduciendo la memoria caché KV por solicitud.
Sirviendo a muchos usuarios simultáneos en una GPU reduciendo la memoria caché KV por solicitud. 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 multiconsulta en la práctica
Atención de consultas agrupadas en Llama 2 70B y Llama 3, un descendiente directo que equilibra la velocidad de MQA con la calidad de la atención total.
Atención de consultas agrupadas en Llama 2 70B y Llama 3, un descendiente directo que equilibra la velocidad de MQA con la calidad de la atención total. 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.
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.