मल्टी-हेड अव्यक्त ध्यान
मल्टी-हेड लेटेंट अटेंशन (एमएलए) एक ध्यान तंत्र है, जिसे डीपसीक-वी2 में पेश किया गया है, जो मेमोरी-भूखे कुंजी-मूल्य कैश को एक छोटे साझा अव्यक्त वेक्टर में संपीड़ित करता है।
सिंहावलोकन
यह बड़े भाषा मॉडल को बहुत कम GPU मेमोरी के साथ चलाने देता है जबकि गुणवत्ता को मानक ध्यान के करीब रखता है।
गहरा गोता
जब एक ट्रांसफार्मर टेक्स्ट उत्पन्न करता है, तो यह 'केवी कैश' में प्रत्येक पिछले टोकन के लिए एक कुंजी और मान वेक्टर संग्रहीत करता है। वह कैश संदर्भ लंबाई के साथ बढ़ता है और अनुमान के दौरान स्मृति उपयोग पर हावी हो जाता है। एमएलए कई पूर्ण-आकार कुंजी/मूल्य वैक्टरों को प्रति टोकन एक एकल निम्न-रैंक अव्यक्त वेक्टर के साथ प्रतिस्थापित करता है, फिर उस अव्यक्त को प्रति-हेड कुंजियों और मूल्यों में वापस प्रोजेक्ट करता है। क्योंकि केवल कॉम्पैक्ट लेटेंट को कैश किया जाता है, डीपसीक-वी2 ने केवी-कैश मेमोरी को मानक मल्टी-हेड अटेंशन की तुलना में 90% से अधिक कम करने की सूचना दी, जिससे लंबे संदर्भ और बड़े बैच आकार सक्षम हो गए। महत्वपूर्ण रूप से, अप-प्रोजेक्शन मैट्रिसेस को अन्य भारों में मोड़ा जा सकता है, इसलिए एमएलए मॉडलिंग गुणवत्ता में बहुत कम या कोई मापने योग्य नुकसान के साथ इस संपीड़न को प्राप्त करता है।
तकनीकी अंतर्दृष्टि
एमएलए एक निम्न-रैंक संयुक्त संपीड़न करता है: प्रत्येक टोकन की छिपी हुई स्थिति को एक छोटे अव्यक्त वेक्टर तक प्रक्षेपित किया जाता है, और अलग-अलग अप-प्रोजेक्शन मैट्रिक्स प्रति-हेड कुंजी और मानों का पुनर्निर्माण करते हैं। एक चतुर चाल क्वेरी और आउटपुट अनुमानों में अप-प्रोजेक्शन भार को 'अवशोषित' करना है, इसलिए मॉडल कभी भी अनुमान के दौरान पूर्ण कुंजी/मानों को अमल में नहीं लाता है। रोटरी स्थिति एम्बेडिंग को एक अलग कुंजी पथ के साथ नियंत्रित किया जाता है, क्योंकि रोटेशन को उसी तरह से अवशोषित नहीं किया जा सकता है, जिससे स्थितिगत जानकारी संरक्षित होती 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।
मल्टी-हेड अव्यक्त ध्यान का भविष्य
एमएलए ने डीपसीक-वी2 और वी3 को बड़े पैमाने पर सेवा देने के लिए किफायती बनाने में मदद की, और यह तकनीक फैल रही है क्योंकि टीमें सस्ते लंबे-संदर्भ अनुमान का पीछा कर रही हैं। भविष्य में खुले मॉडलों में विरल मिश्रण-विशेषज्ञ परतों, मात्राबद्ध कैश और सट्टा डिकोडिंग के साथ संयोजन के लिए एमएलए-शैली अव्यक्त संपीड़न की अपेक्षा करें। शोधकर्ता यह भी पता लगा रहे हैं कि गुणवत्ता में गिरावट से पहले अव्यक्त आयाम कितनी दूर तक सिकुड़ सकता है, और क्या वही निम्न-श्रेणी का विचार केवल अनुमान ही नहीं, बल्कि प्रशिक्षण के दौरान ध्यान को भी संकुचित कर सकता है।
वास्तविक विश्व कार्यान्वयन
प्रति अनुरोध नाटकीय रूप से छोटे GPU मेमोरी फ़ुटप्रिंट के साथ DeepSeek-V2/V3 चैट मॉडल पेश करना
जहां एक बड़ा केवी कैश अन्यथा वीआरएएम को समाप्त कर देगा, वहां लंबे दस्तावेज़ वाले प्रश्न का उत्तर देना
एक निश्चित जीपीयू पर अनुमान बैच का आकार बढ़ाना क्योंकि प्रत्येक अनुक्रम केवल एक छोटे अव्यक्त वेक्टर को संग्रहीत करता है
पुनर्प्राप्ति-संवर्धित सहायकों के लिए कमोडिटी हार्डवेयर पर लंबी संदर्भ विंडो 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 Multi-Head Latent 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
मल्टी-हेड लेटेंट अटेंशन क्या है?
मल्टी-हेड लेटेंट अटेंशन (एमएलए) एक ध्यान तंत्र है, जिसे डीपसीक-वी2 में पेश किया गया है, जो मेमोरी-भूखे कुंजी-मूल्य कैश को एक छोटे साझा अव्यक्त वेक्टर में संपीड़ित करता है। यह गुणवत्ता को मानक ध्यान में रखते हुए बड़े भाषा मॉडल को बहुत कम जीपीयू मेमोरी के साथ चलने देता है।
मल्टी-हेड लेटेंट अटेंशन किस प्राथमिक समस्या को कम करने के लिए डिज़ाइन किया गया है?
एमएलए केवी कैश को लक्षित करता है, जो संदर्भ की लंबाई के साथ बढ़ता है और पाठ निर्माण के दौरान मेमोरी पर हावी हो जाता है।
एमएलए केवी कैश को कैसे सिकोड़ता है?
एमएलए प्रति टोकन एक कॉम्पैक्ट अव्यक्त वेक्टर को कैश करता है और अप-प्रोजेक्शन के माध्यम से इससे कुंजी और मानों का पुनर्निर्माण करता है।
किस मॉडल ने सबसे पहले मल्टी-हेड लेटेंट अटेंशन पेश किया?
एमएलए को डीपसीक द्वारा अपने डीपसीक-वी2 मॉडल में पेश किया गया और डीपसीक-वी3 में ले जाया गया।
रोटरी स्थिति एम्बेडिंग के लिए एमएलए को एक अलग 'डिकॉउल्ड' पथ की आवश्यकता क्यों है?
रोटरी परिवर्तन को अन्य भार मैट्रिक्स में अवशोषित नहीं किया जा सकता है, इसलिए एमएलए स्थिति संबंधी जानकारी ले जाने के लिए एक छोटा डिकौपल्ड कुंजी घटक रखता है।
एमएलए बनाम मानक मल्टी-हेड अटेंशन से डीपसीक-वी2 की रिपोर्ट में केवी-कैश मेमोरी में लगभग कितनी कमी आई?
डीपसीक-वी2 ने केवी-कैश मेमोरी को 90% से अधिक कम करने की सूचना दी, जिससे लंबे संदर्भ और बड़े बैच सक्षम हो गए।