À suivreGuide suivant
Attention multi-requêtes
IA linguistique
GUIDE IA du langage
Attention latente multi-têtes
L'attention latente multi-têtes (MLA) est un mécanisme d'attention, introduit dans DeepSeek-V2, qui compresse le cache clé-valeur gourmand en mémoire dans un petit vecteur latent partagé.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Il permet aux grands modèles de langage de fonctionner avec beaucoup moins de mémoire GPU tout en gardant une qualité proche de l'attention standard.
Plongée profonde
Lorsqu'un transformateur génère du texte, il stocke un vecteur de clé et de valeur pour chaque jeton passé dans un « cache KV ». Ce cache augmente avec la longueur du contexte et domine l'utilisation de la mémoire lors de l'inférence. MLA remplace les nombreux vecteurs clé/valeur de taille réelle par un seul vecteur latent de bas rang par jeton, puis projette cette sauvegarde latente dans des clés et des valeurs par tête à la volée. Étant donné que seule la latente compacte est mise en cache, DeepSeek-V2 a signalé une réduction de la mémoire cache KV de plus de 90 % par rapport à l'attention multi-tête standard, permettant des contextes plus longs et des lots de plus grande taille. Surtout, les matrices de projection ascendante peuvent être repliées dans d'autres poids, de sorte que MLA réalise cette compression avec peu ou pas de perte mesurable de qualité de modélisation.
Mise en œuvre dans le monde réel
Servir les modèles de chat DeepSeek-V2/V3 avec des empreintes de mémoire GPU considérablement réduites par requête
Exécution d'une longue question de document répondant à l'endroit où un grand cache KV épuiserait autrement la VRAM
Augmentation de la taille du lot d'inférence sur un GPU fixe, car chaque séquence ne stocke qu'un petit vecteur latent
Activation de fenêtres contextuelles plus longues sur le matériel standard pour les assistants de récupération augmentée
L’avenir de l’attention latente multi-têtes
MLA a contribué à rendre DeepSeek-V2 et V3 économiques pour une utilisation à grande échelle, et la technique se répand à mesure que les équipes recherchent une inférence à long contexte moins chère. Attendez-vous à ce que la compression latente de style MLA se combine avec des couches de mélange d'experts clairsemées, des caches quantifiés et un décodage spéculatif dans les futurs modèles ouverts. Les chercheurs étudient également jusqu’où la dimension latente peut diminuer avant que la qualité ne baisse, et si la même idée de bas rang peut comprimer l’attention pendant la formation, et pas seulement l’inférence.
Le mettre en pratique
Pourquoi c'est important
- Vitesse et échelle. Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
- Accès et portée. Il étend l’accès à toutes les langues et styles de communication.
- Décisions plus claires. Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
Attention à
- Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
- La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
- Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Prochaines étapes
- Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
- Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
- Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
- Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Multi-Head Latent Attention quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu’est-ce que l’attention latente multi-têtes ?
L'attention latente multi-têtes (MLA) est un mécanisme d'attention, introduit dans DeepSeek-V2, qui compresse le cache clé-valeur gourmand en mémoire dans un petit vecteur latent partagé. Il permet aux grands modèles de langage de fonctionner avec beaucoup moins de mémoire GPU tout en gardant une qualité proche de l'attention standard.
Quel est le principal problème que l’attention latente multi-têtes est conçue pour réduire ?
MLA cible le cache KV, qui augmente avec la longueur du contexte et domine la mémoire lors de la génération de texte.
Comment MLA réduit-il le cache KV ?
MLA met en cache un vecteur latent compact par jeton et en reconstruit les clés et les valeurs via une projection ascendante.
Quel modèle a introduit pour la première fois l’attention latente multi-têtes ?
MLA a été introduit par DeepSeek dans son modèle DeepSeek-V2 et intégré dans DeepSeek-V3.
Pourquoi MLA a-t-il besoin d'un chemin « découplé » distinct pour les intégrations de positions rotatives ?
La transformation rotative ne peut pas être absorbée dans d'autres matrices de poids, donc MLA conserve un petit composant clé découplé pour transporter les informations de position.
Environ combien de réduction de mémoire cache KV DeepSeek-V2 a-t-il rapporté de MLA par rapport à l'attention multi-tête standard ?
DeepSeek-V2 a signalé une réduction de la mémoire cache KV de plus de 90 %, permettant des contextes plus longs et des lots plus importants.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet