Il prossimoProssima guida
Ottimizzazione della cache KV
Tecnico
GUIDA ALL'AI linguistica
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
It is the single biggest reason text generation is fast — and the main thing eating your GPU memory during long conversations.
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.
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.
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.
Newsletter gratuita
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
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
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.
La cache KV contiene i vettori chiave e valore dei token precedenti in modo che l'attenzione possa riutilizzarli invece di ricalcolarli.
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.
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.
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.
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.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Ottimizzazione della cache KV
Tecnico