GUIDA ALL'AI linguistica

Cache KV

La cache KV memorizza i vettori chiave e valore che un trasformatore ha già calcolato per i token precedenti, quindi non deve ricalcolarli per ogni nuova parola generata.

Ascolta questa guidaNarrato dall'IA · ~2 min

In questa pagina2 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro di KV Cache
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

It is the single biggest reason text generation is fast — and the main thing eating your GPU memory during long conversations.

Immersione profonda

I trasformatori generano il testo un token alla volta e il livello di attenzione di ogni nuovo token deve essere confrontato con ogni token precedente. Il meccanismo di attenzione trasforma ogni token in un vettore di query, chiave e valore. Senza la memorizzazione nella cache, generare il token numero 1.000 significherebbe ricalcolare chiavi e valori per tutti i 999 token precedenti ad ogni passaggio: un lavoro quadratico e dispendioso. La cache KV salva i vettori di chiave e valore dopo che sono stati calcolati per la prima volta e li riutilizza, quindi ogni nuovo passaggio calcola solo i vettori per il singolo token più recente e si occupa della cache archiviata. Ciò riduce il costo per token dal ridimensionamento con la lunghezza della sequenza a un valore più o meno costante. Il compromesso è la memoria: la cache cresce linearmente con la lunghezza del contesto, il numero di livelli e i livelli di attenzione, diventando spesso il consumatore di memoria dominante nel servizio a contesto lungo.

Implementazione nel mondo reale

Velocizzare le risposte del chatbot riutilizzando chiavi/valori memorizzati nella cache dalla cronologia delle conversazioni invece di rielaborarli ogni turno.

Caching del prefisso che condivide la cache per un lungo prompt di sistema tra più utenti, riducendo costi e latenza.

PagedAttention di vLLM gestisce la cache KV in blocchi per servire in modo efficiente molte richieste simultanee su una GPU.

Quantizzazione della cache KV per ridurre la precisione per adattare contesti più lunghi alla memoria limitata della GPU.

Il futuro di KV Cache

Man mano che le finestre di contesto si estendono fino a centinaia di migliaia di token, la cache KV diventa il collo di bottiglia centrale, quindi l'innovazione è feroce: quantizzazione della cache a 8 o 4 bit, politiche di eliminazione che rilasciano token di bassa importanza, condivisione di prefissi a richiesta incrociata e scarico su CPU o disco. Cambiamenti architettonici come l'attenzione latente multi-testa comprimono la cache stessa. Aspettatevi una continua co-progettazione di varianti di attenzione e sistemi di memoria volti a servire contesti molto lunghi in modo economico e con un throughput elevato.

Metterlo in pratica

Perché è importante

  • Velocità e scala. I flussi di lavoro linguistici possono muoversi più velocemente senza sacrificare la coerenza.
  • Accedere e raggiungere. Espande l'accesso attraverso lingue e stili di comunicazione.
  • Decisioni più chiare. I team possono dedicare più tempo al giudizio mentre l'automazione gestisce la ripetizione.

Attenzione

  • Fatti allucinati possono tranquillamente entrare nei rapporti, nei flussi di supporto o nei risultati della ricerca.
  • La sensibilità tempestiva può creare risultati incoerenti tra richieste simili.
  • I dati di testo sensibili potrebbero essere esposti se i controlli di accesso sono deboli.

Prossimi passi

  1. Definisci il formato di output, il tono e gli standard di qualità prima dell'implementazione.
  2. Risposte concrete con fonti attendibili ogni volta che la precisione è importante.
  3. Mantenere un checkpoint di revisione umana per i risultati ad alto rischio.
  4. Tieni traccia dei modelli di errore e riqualifica regolarmente le richieste o i flussi di lavoro.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Take the KV Cache quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

What is KV Cache?

La cache KV memorizza i vettori chiave e valore che un trasformatore ha già calcolato per i token precedenti, quindi non deve ricalcolarli per ogni nuova parola generata. È il motivo principale per cui la generazione del testo è veloce e la cosa principale che consuma la memoria della GPU durante le lunghe conversazioni.

Cosa memorizza la cache KV?

La cache KV contiene i vettori chiave e valore dei token precedenti in modo che l'attenzione possa riutilizzarli invece di ricalcolarli.

Quale problema risolve principalmente la cache KV?

The cache reuses keys and values computed for earlier tokens instead of rebuilding them at every decode step. The new query still attends over cached positions, so attention work and cache memory continue to grow with context length.

Qual è lo svantaggio principale della cache KV?

La cache cresce con la lunghezza della sequenza, i livelli e le teste, diventando spesso il consumatore dominante della memoria GPU nel servizio a lungo contesto.

Quale tecnica riduce la dimensione della cache KV condividendo chiavi e valori tra le teste di attenzione?

L'attenzione alle query raggruppate e alle query multiple consente a più teste di query di condividere meno set di chiavi/valori, riducendo sostanzialmente la cache.

Quali sono le due fasi di inferenza del trasformatore relative alla cache KV?

La precompilazione riempie la cache con il K/V del prompt; decode aggiunge un nuovo K/V del token a ogni passaggio e si occupa nuovamente della cache.