LegközelebbKövetkező útmutató
Több lekérdezés figyelem
Nyelvi AI
Nyelvi AI ÚTMUTATÓ
Grouped-Query Attention (GQA) shares key/value heads across groups of query heads.
Hallgassa meg ezt az útmutatótAI-narrált · ~1 min
The original GQA paper studies this as a tradeoff between multi-head and multi-query attention for decoder inference.
The GQA paper proposes grouping query heads so multiple query heads share key/value heads. MHA has one key/value head per query head; MQA shares a single key/value head across all queries; GQA lies between them. The paper evaluates GQA on language modeling and machine translation tasks and reports quality closer to MHA with inference speed closer to MQA in its experiments. It also reports uptraining existing MHA models using about 5% of original pretraining compute. These claims are limited to the paper’s models, tasks and setup.
Comparing MHA, GQA and MQA head sharing.
Estimating KV-cache size from the number of query heads and key/value groups.
Reading the paper’s reported quality/speed tradeoff on evaluated language-model tasks.
Reviewing the paper’s uptraining recipe for converting an MHA checkpoint to GQA.
Benchmark head-sharing choices on the target model and hardware. The original paper’s quality/speed results do not establish universal serving speedups or negligible quality loss across all systems.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Grouped-Query Attention (GQA) shares key/value heads across groups of query heads. The original GQA paper studies this as a tradeoff between multi-head and multi-query attention for decoder inference.
A GQA külön lekérdezési fejeket tart, de lehetővé teszi, hogy mindegyik csoport megosszon egy kulcs- és értékfejkészletet, csökkentve ezzel a KV gyorsítótárat.
A Multi-head minden fejnek saját KV-t ad; a több lekérdezés egy KV-t oszt meg minden fej számára; A GQA között van néhány KV csoport.
A megtakarítások generálási időben jelentkeznek, ahol a KV gyorsítótár olvasása a domináns memória-sávszélesség költség.
32 lekérdezési fej osztva 8 megosztott KV csoporttal, nagyjából négyszeresére csökkenti a gyorsítótárazott kulcsokat és értékeket.
The GQA paper reports quality closer to multi-head attention (MHA) with inference speed closer to multi-query attention (MQA) in its evaluated tasks. This is an empirical result, not a universal guarantee.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Több lekérdezés figyelem
Nyelvi AI