Aperçu
L'attention multi-requêtes (MQA) est une variante permettant d'économiser de la mémoire sur l'attention du transformateur qui partage un ensemble de clés et de valeurs entre toutes les têtes d'attention. Il accélère considérablement la génération de texte en réduisant la mémoire dans laquelle le modèle doit se déplacer.
Multi-Query Attention fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle.
Plongée profonde
L'attention multi-tête standard donne à chaque tête ses propres projections de requêtes, de clés et de valeurs. Lors de la génération, les clés et les valeurs de tous les jetons passés doivent être mises en cache et rechargées à chaque étape — ce cache KV devient le principal goulot d'étranglement, car sa lecture à partir de la mémoire est plus lente que les calculs eux-mêmes. Multi-Query Attention, proposé par Noam Shazeer en 2019, conserve des projections de requêtes distinctes par tête mais réduit les clés et les valeurs en une seule tête partagée. Cela réduit le cache KV d'un facteur égal au nombre de têtes, parfois 8 à 64 fois plus petit. Le résultat est un décodage autorégressif beaucoup plus rapide et une empreinte mémoire plus légère, avec seulement une légère baisse de qualité. Un juste milieu, Grouped-Query Attention, équilibre le compromis.
Aperçu technique
Dans MQA, les pondérations de requête produisent toujours H vecteurs de requête distincts, mais une seule projection clé et une projection de valeur unique sont partagées entre toutes les têtes. Chaque tête calcule l'attention en utilisant sa propre requête sur les mêmes clés et valeurs. Étant donné que les tenseurs K et V mis en cache n'évoluent plus avec le nombre de têtes, la bande passante de la mémoire pendant le décodage diminue fortement – et c'est la bande passante, et non le calcul, qui détermine la vitesse de génération des portes sur les accélérateurs modernes.
Maîtriser l'attention multi-requêtes
L'attention multi-requêtes (MQA) est une variante permettant d'économiser de la mémoire sur l'attention du transformateur qui partage un ensemble de clés et de valeurs entre toutes les têtes d'attention. Il accélère considérablement la génération de texte en réduisant la mémoire dans laquelle le modèle doit se déplacer. Multi-Query Attention fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle. Pour développer une compréhension approfondie, traitez l'attention multi-requêtes comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, des équipes solides utilisant Multi-Query Attention conçoivent des invites, des récupérations et des boucles de révision comme un seul système de communication intégré. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. Dans le même temps, les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Il étend l’accès à toutes les langues et styles de communication.
Il étend l’accès à toutes les langues et styles de communication. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Accélération de la génération jeton par jeton dans les assistants de discussion où le cache KV, et non le calcul brut, limite le débit.
PaLM de Google, qui a utilisé Multi-Query Attention pour permettre une inférence efficace à grande échelle.
Servir de nombreux utilisateurs simultanés sur un seul GPU en réduisant la mémoire cache KV par requête.
Attention aux requêtes groupées dans Llama 2 70B et Llama 3, un descendant direct équilibrant la vitesse de MQA avec une qualité d'attention totale.
Modèles de mise en œuvre
Attention multi-requêtes en pratique
Accélération de la génération jeton par jeton dans les assistants de discussion où le cache KV, et non le calcul brut, limite le débit.
Accélération de la génération jeton par jeton dans les assistants de chat où le cache KV, et non le calcul brut, limite le débit. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, gardent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Attention multi-requêtes en pratique
PaLM de Google, qui a utilisé Multi-Query Attention pour permettre une inférence efficace à grande échelle.
PaLM de Google, qui a utilisé l'attention multi-requêtes pour permettre une inférence efficace à grande échelle. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Attention multi-requêtes en pratique
Servir de nombreux utilisateurs simultanés sur un seul GPU en réduisant la mémoire cache KV par requête.
Servir de nombreux utilisateurs simultanés sur un seul GPU en réduisant la mémoire cache KV par requête. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, conservent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Attention multi-requêtes en pratique
Attention aux requêtes groupées dans Llama 2 70B et Llama 3, un descendant direct équilibrant la vitesse de MQA avec une qualité d'attention totale.
Attention aux requêtes groupées dans Llama 2 70B et Llama 3, un descendant direct équilibrant la vitesse de MQA avec une qualité d'attention totale. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
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.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.