Il prossimoProssima guida
Cache KV
Intelligenza artificiale linguistica
GUIDA TECNICA
La cache KV memorizza le chiavi e i valori che un trasformatore ha già calcolato in modo da non ripetere il lavoro per ogni nuovo token, ma può gonfiarsi fino a raggiungere i gigabyte.
Ascolta questa guidaNarrato dall'IA · ~2 min
KV cache optimization shrinks and manages that memory so models serve longer contexts to more users at once.
In a transformer, each new token attends to all previous tokens via attention's keys (K) and values (V). Recomputing K and V for the whole sequence at every step would be quadratic and wasteful, so models cache them: the KV cache. The downside is size. The cache grows linearly with sequence length, batch size, layers, and heads, so a long-context request can consume more GPU memory than the model weights themselves. Optimization tackles this from several angles: paged memory (vLLM's PagedAttention) stores the cache in non-contiguous blocks to reduce fragmentation and enable sharing; quantization stores K and V in 8-bit or 4-bit; and architectural changes like Grouped-Query Attention (GQA) and Multi-Query Attention (MQA) let many query heads share fewer key/value heads, slashing cache size at the source.
vLLM's PagedAttention serving many concurrent chat sessions by packing KV blocks while reducing memory fragmentation
L'attenzione alle query raggruppate nei modelli Llama riduce le dimensioni della cache KV in modo che i contesti più lunghi si adattino alla memoria della GPU
Quantizzazione della cache KV a 8 bit (KV8) per dimezzare all'incirca la memoria cache durante il riepilogo di documenti lunghi
Caching del prefisso che riutilizza i blocchi KV di un prompt di sistema condiviso su migliaia di richieste API
Poiché le finestre di contesto si estendono a centinaia di migliaia o milioni di token, la cache KV diventa il costo dominante del servizio. Aspettatevi compressione ed eliminazione aggressiva della cache (rilasciando token a bassa attenzione), condivisione del prefisso tra richieste incrociate come impostazione predefinita, scarico della cache fredda su CPU o NVMe e architetture come MLA e GQA che diventeranno standard. La gestione della cache assomiglierà sempre più a una gerarchia di memoria completa con livelli e precaricamento intelligente.
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 le chiavi e i valori che un trasformatore ha già calcolato in modo da non ripetere il lavoro per ogni nuovo token, ma può gonfiarsi fino a raggiungere i gigabyte. L'ottimizzazione della cache KV riduce e gestisce la memoria in modo che i modelli offrano contesti più lunghi a più utenti contemporaneamente.
La memorizzazione nella cache di chiavi e valori dei token precedenti evita di ripetere il calcolo dell'attenzione su ogni nuovo token, risparmiando tempo.
Le dimensioni della cache variano in base alla lunghezza del contesto e alla concorrenza, quindi le richieste lunghe possono utilizzare enormi quantità di memoria della GPU.
PagedAttention archivia la cache in blocchi di dimensione fissa non contigui mappati tramite una tabella, proprio come il paging del sistema operativo.
La condivisione di intestazioni chiave/valore su più intestazioni di query significa molti meno vettori K e V da archiviare.
Un prompt di sistema condiviso produce voci KV identiche, quindi più richieste possono puntare agli stessi blocchi invece di duplicarli.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Cache KV
Intelligenza artificiale linguistica