Optimasi Cache KV
Cache KV menyimpan kunci dan nilai yang telah dihitung oleh transformator sehingga tidak akan berfungsi lagi untuk setiap token baru — tetapi dapat membengkak hingga gigabyte.
Ikhtisar
KV cache optimization shrinks and manages that memory so models serve longer contexts to more users at once.
Menyelam Lebih Dalam
Dalam sebuah transformator, setiap token baru menangani semua token sebelumnya melalui kunci perhatian (K) dan nilai (V). Menghitung ulang K dan V untuk seluruh urutan di setiap langkah akan bersifat kuadrat dan sia-sia, sehingga model menyimpannya dalam cache: cache KV. Kelemahannya adalah ukuran. Cache bertambah secara linier seiring dengan panjang urutan, ukuran batch, lapisan, dan head, sehingga permintaan konteks panjang dapat menggunakan lebih banyak memori GPU daripada bobot model itu sendiri. Optimasi menangani hal ini dari beberapa sudut: memori halaman (PagedAttention vLLM) menyimpan cache dalam blok yang tidak bersebelahan untuk menghilangkan fragmentasi dan memungkinkan berbagi; kuantisasi menyimpan K dan V dalam 8-bit atau 4-bit; dan perubahan arsitektur seperti Grouped-Query Attention (GQA) dan Multi-Query Attention (MQA) memungkinkan banyak kepala kueri berbagi lebih sedikit kepala kunci/nilai, sehingga mengurangi ukuran cache di sumbernya.
Wawasan Teknis
PagedAttention meminjam paging memori virtual dari sistem operasi: cache berada dalam blok berukuran tetap yang dipetakan melalui tabel pencarian, sehingga permintaan hanya menggunakan blok yang diperlukan dan awalan yang identik (seperti prompt sistem bersama) dapat menunjuk ke blok yang sama. Multi-head Latent Attention (MLA), yang digunakan dalam model DeepSeek, memampatkan K dan V menjadi vektor laten bersama yang kecil, memotong memori secara signifikan sekaligus menjaga akurasi.
Dampak Strategis
Cost and budget
Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
Clearer decisions
Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
Quality control
Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Masa Depan Optimasi Cache KV
Ketika jendela konteks mencapai ratusan ribu atau jutaan token, cache KV menjadi biaya penyajian yang dominan. Harapkan kompresi dan penggusuran cache yang agresif (menghilangkan token dengan perhatian rendah), berbagi awalan permintaan silang sebagai default, memindahkan cache dingin ke CPU atau NVMe, dan arsitektur seperti MLA dan GQA menjadi standar. Manajemen cache akan semakin menyerupai hierarki memori penuh dengan tingkatan dan pengambilan awal yang cerdas.
Implementasi Dunia Nyata
PagedAttention vLLM melayani banyak sesi obrolan bersamaan dengan mengemas blok KV tanpa fragmentasi memori
Perhatian Kueri yang Dikelompokkan dalam model Llama mengurangi ukuran cache KV sehingga konteks yang lebih panjang dapat muat di memori GPU
Mengkuantisasi cache KV menjadi 8-bit (KV8) untuk mengurangi separuh memori cache selama peringkasan dokumen panjang
Caching awalan yang menggunakan kembali blok KV dari perintah sistem bersama di ribuan permintaan API
Risiko & Pagar Pembatas
Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Peta Jalan Implementasi
Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
Tolok ukur dalam kondisi beban dan data yang realistis.
Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
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 KV Cache Optimization 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
Next guide
Tembolok KV
Pertanyaan yang sering diajukan
What is KV Cache Optimization?
Cache KV menyimpan kunci dan nilai yang telah dihitung oleh transformator sehingga tidak akan berfungsi lagi untuk setiap token baru — tetapi dapat membengkak hingga gigabyte. Pengoptimalan cache KV menyusutkan dan mengelola memori tersebut sehingga model menyajikan konteks yang lebih panjang kepada lebih banyak pengguna sekaligus.
Apa yang disimpan oleh cache KV dan mengapa?
Menyimpan kunci dan nilai dari token sebelumnya menghindari pengulangan perhitungan perhatian pada setiap token baru, sehingga menghemat waktu.
Mengapa cache KV bisa menjadi masalah memori?
Ukuran cache disesuaikan dengan panjang konteks dan konkurensi, sehingga permintaan yang panjang dapat menggunakan memori GPU dalam jumlah besar.
Konsep sistem operasi apa yang dipinjam PagedAttention?
PagedAttention menyimpan cache dalam blok berukuran tetap yang tidak bersebelahan yang dipetakan melalui tabel, seperti paging OS.
Bagaimana Grouped-Query dan Multi-Query Attention mengurangi ukuran cache KV?
Berbagi kepala kunci/nilai di beberapa kepala kueri berarti jauh lebih sedikit vektor K dan V yang harus disimpan.
Apa salah satu manfaat berbagi awalan di cache KV?
Prompt sistem bersama menghasilkan entri KV yang identik, sehingga beberapa permintaan dapat mengarah ke blok yang sama alih-alih menduplikasinya.