समूहीकृत-प्रश्न ध्यान
ग्रुपेड-क्वेरी अटेंशन (जीक्यूए) कई क्वेरी हेड्स को एक ही कुंजी और वैल्यू हेड्स साझा करने की अनुमति देकर टेक्स्ट जेनरेशन के दौरान आवश्यक मेमोरी को छोटा करने का एक तरीका है।
सिंहावलोकन
It makes large models much faster to serve with almost no quality loss.
गहरा गोता
एक मानक मल्टी-हेड अटेंशन लेयर में, प्रत्येक हेड की अपनी क्वेरीज़, कुंजियाँ और मान होते हैं। पीढ़ी के दौरान, पिछले सभी टोकन की कुंजी और मान कैश किए जाते हैं ('केवी कैश') इसलिए मॉडल उनकी पुन: गणना नहीं करता है। कई प्रमुखों और लंबे संदर्भों के साथ, यह कैश विशाल हो जाता है और अनुमान के समय मेमोरी बैंडविड्थ पर हावी हो जाता है। Google शोधकर्ताओं द्वारा 2023 में पेश किया गया GQA, क्वेरी प्रमुखों को समूहित करता है और प्रत्येक समूह को कुंजी और मूल्य शीर्षों का एक साझा सेट देता है। यदि आपके पास 32 क्वेरी हेड हैं लेकिन केवल 8 केवी समूह हैं, तो केवी कैश लगभग चार गुना सिकुड़ जाता है। यह पूर्ण मल्टी-हेड अटेंशन (प्रत्येक हेड अलग) और मल्टी-क्वेरी अटेंशन (सभी हेड के लिए एक साझा केवी) के बीच बैठता है, गुणवत्ता को पूर्ण अटेंशन के करीब रखते हुए एमक्यूए की अधिकांश गति को कैप्चर करता है। लामा 2 70बी और बाद के कई मॉडलों ने इसे अपनाया।
तकनीकी अंतर्दृष्टि
ध्यान की गुणवत्ता कई अलग-अलग क्वेरी दिशाओं पर निर्भर करती है, लेकिन यह कुंजियों और मूल्यों को साझा करने को सहन करती है। जीक्यूए इस विषमता का फायदा उठाता है: यह सभी क्वेरी हेड रखता है लेकिन अपने समूह में प्रत्येक साझा केवी हेड को क्वेरी में दोहराता है। बचत तब होती है, जब केवी कैश मेमोरी बैंडविड्थ का मुख्य उपभोक्ता होता है; कम केवी हेड्स का मतलब है कि प्रति उत्पन्न टोकन को पढ़ने के लिए कम डेटा। मौजूदा मल्टी-हेड चेकपॉइंट को जीक्यूए में बदलने के लिए मॉडलों को अक्सर संक्षेप में 'अपट्रेंड' किया जाता है।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
समूहीकृत-प्रश्न ध्यान का भविष्य
जीक्यूए अब ओपन-वेट मॉडलों में एक मानक डिफ़ॉल्ट है क्योंकि यह बड़ी सर्विंग जीत के लिए छोटी गुणवत्ता लागत का स्पष्ट रूप से व्यापार करता है। उम्मीद करें कि यह फ्लैशअटेंशन, केवी-कैश क्वांटाइजेशन और मल्टी-हेड लेटेंट अटेंशन जैसी अन्य दक्षता युक्तियों के साथ तेजी से संयोजित होगा जो कैश को और भी अधिक संपीड़ित करता है। जैसे-जैसे संदर्भ विंडो बढ़ती है, केवी-कैश आकार को नियंत्रित करना एक केंद्रीय डिजाइन समस्या बनी रहेगी, और जीक्यूए-शैली हेड शेयरिंग एक महत्वपूर्ण लीवर बनी रहेगी।
वास्तविक विश्व कार्यान्वयन
लामा 2 70बी और लामा 3 छोटे केवी कैश के साथ लंबे संदर्भों को प्रस्तुत करने के लिए जीक्यूए का उपयोग कर रहे हैं
जीपीयू मेमोरी को कम करना ताकि एक बड़ा चैट मॉडल कम या सस्ते एक्सेलेरेटर पर फिट हो सके
उत्पादन एपीआई में टोकन-दर-टोकन पीढ़ी को तेज़ करना जहां केवी-कैश बैंडविड्थ बाधा है
मेमोरी ख़त्म हुए बिना एक साथ कई उपयोगकर्ताओं को सेवा प्रदान करने के लिए बड़े बैच आकार को सक्षम करना
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Grouped-Query Attention quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
बहु-प्रश्न ध्यान
अक्सर पूछे जाने वाले प्रश्नों
What is Grouped-Query Attention?
ग्रुपेड-क्वेरी अटेंशन (जीक्यूए) कई क्वेरी हेड्स को एक ही कुंजी और वैल्यू हेड्स साझा करने की अनुमति देकर टेक्स्ट जेनरेशन के दौरान आवश्यक मेमोरी को छोटा करने का एक तरीका है। यह बड़े मॉडलों को बिना किसी गुणवत्ता हानि के बहुत तेजी से सेवा प्रदान करता है।
ग्रुपेड-क्वेरी अटेंशन में, क्वेरी प्रमुखों के समूह के बीच क्या साझा किया जाता है?
GQA अलग-अलग क्वेरी हेड रखता है लेकिन उनमें से प्रत्येक समूह को कुंजी और मान हेड का एक सेट साझा करने देता है, जिससे KV कैश सिकुड़ जाता है।
GQA को किन दो चरम सीमाओं के बीच एक मध्य मार्ग के रूप में वर्णित किया गया है?
मल्टी-हेड प्रत्येक हेड को अपना स्वयं का केवी देता है; मल्टी-क्वेरी सभी प्रमुखों के लिए एक केवी साझा करती है; जीक्यूए कुछ केवी समूहों के बीच में बैठता है।
GQA मुख्य रूप से अनुमान का कौन सा भाग सस्ता बनाता है?
बचत पीढ़ी के समय में दिखाई देती है, जहां केवी कैश को पढ़ना प्रमुख मेमोरी-बैंडविड्थ लागत है।
यदि किसी मॉडल में 32 क्वेरी हेड और 8 केवी समूह हैं, तो केवी कैश लगभग किस कारक से कम हो जाता है?
8 साझा केवी समूहों द्वारा विभाजित 32 क्वेरी हेड कैश्ड कुंजियों और मूल्यों में लगभग चार गुना कमी देते हैं।
केवी प्रमुखों को साझा करने के बावजूद जीक्यूए मॉडल की अधिकांश गुणवत्ता को क्यों सुरक्षित रख सकता है?
ध्यान अलग-अलग क्वेरी दिशाओं को खोने की तुलना में कुंजी और मूल्यों को साझा करने को कहीं बेहतर तरीके से सहन करता है, इसलिए GQA गुणवत्ता को उच्च रखता है।