KV 캐시
KV 캐시는 변환기가 이전 토큰에 대해 이미 계산한 키 및 값 벡터를 저장하므로 생성되는 모든 새 단어에 대해 이를 다시 계산할 필요가 없습니다.
개요
It is the single biggest reason text generation is fast — and the main thing eating your GPU memory during long conversations.
심층 분석
변환기는 한 번에 하나의 토큰으로 텍스트를 생성하며, 각각의 새 토큰의 주의 계층은 모든 이전 토큰과 비교되어야 합니다. 주의 메커니즘은 각 토큰을 쿼리, 키 및 값 벡터로 변환합니다. 캐싱 없이 1,000개의 토큰을 생성한다는 것은 모든 단계에서 999개의 이전 토큰 모두에 대한 키와 값을 다시 계산하는 것을 의미합니다. 이는 2차적이고 낭비적인 작업입니다. KV 캐시는 해당 키와 값 벡터를 처음 계산한 후 저장하고 재사용하므로 각각의 새로운 단계는 최신 토큰 하나에 대한 벡터만 계산하고 저장된 캐시를 관리합니다. 이를 통해 시퀀스 길이에 따른 확장에서 대략 일정한 수준으로 토큰당 비용이 줄어듭니다. 트레이드오프는 메모리입니다. 캐시는 컨텍스트 길이, 레이어 수 및 주의 헤드에 따라 선형적으로 증가하며 종종 긴 컨텍스트 제공에서 지배적인 메모리 소비자가 됩니다.
기술적 통찰력
'미리 채우기' 단계에서 모델은 전체 프롬프트를 처리하고 캐시를 채웁니다. '디코드' 중에는 단계당 하나의 토큰 K/V를 추가하고 다시 참여합니다. 캐시 크기는 선택한 정밀도에 따라 2(K 및 V) × 레이어 × 헤드 × head_dim × 시퀀스_길이 × 배치로 확장됩니다. 이를 해결하기 위해 최신 모델은 그룹화된 쿼리 또는 다중 쿼리 Attention을 사용하여 헤드 간에 키/값을 공유하고, vLLM과 같은 서비스 시스템은 PagedAttention을 사용하여 연속되지 않은 블록에 캐시를 할당하여 조각화 및 낭비를 줄입니다.
전략적 영향
속도와 규모
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
접근 및 도달
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
더 명확한 결정들
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
KV 캐시의 미래
컨텍스트 창이 수십만 개의 토큰으로 확장됨에 따라 KV 캐시가 중심 병목 현상이 되므로 8비트 또는 4비트로 캐시 양자화, 중요도가 낮은 토큰을 삭제하는 제거 정책, 교차 요청 접두사 공유, CPU 또는 디스크로 오프로드 등 혁신이 치열합니다. 다중 헤드 잠재 주의와 같은 아키텍처 변화는 캐시 자체를 압축합니다. 매우 긴 컨텍스트를 저렴하고 높은 처리량으로 제공하는 것을 목표로 하는 주의 변형 및 메모리 시스템의 지속적인 공동 설계를 기대합니다.
실제 구현
매 턴마다 다시 처리하는 대신 대화 기록에서 캐시된 키/값을 재사용하여 챗봇 응답 속도를 높입니다.
많은 사용자에게 긴 시스템 프롬프트를 위해 캐시를 공유하는 접두사 캐싱을 통해 비용과 대기 시간을 절감합니다.
vLLM의 PagedAttention은 KV 캐시를 블록 단위로 관리하여 하나의 GPU에서 많은 동시 요청을 효율적으로 처리합니다.
제한된 GPU 메모리에 더 긴 컨텍스트를 맞추기 위해 KV 캐시를 양자화하여 정밀도를 낮춥니다.
위험 및 가드레일
환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다.
신속한 민감도는 유사한 요청 간에 일관되지 않은 결과를 초래할 수 있습니다.
액세스 제어가 약한 경우 민감한 텍스트 데이터가 노출될 수 있습니다.
구현 로드맵
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
계속 탐색하세요
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 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
다음 가이드
KV 캐시 최적화
자주 묻는 질문
What is KV Cache?
KV 캐시는 변환기가 이전 토큰에 대해 이미 계산한 키 및 값 벡터를 저장하므로 생성되는 모든 새 단어에 대해 이를 다시 계산할 필요가 없습니다. 이것이 텍스트 생성 속도가 빠른 가장 큰 이유이자 긴 대화 중에 GPU 메모리를 소모하는 가장 큰 이유입니다.
KV 캐시는 무엇을 저장합니까?
KV 캐시는 이전 토큰의 키와 값 벡터를 보유하므로 주의를 기울여 다시 계산하는 대신 재사용할 수 있습니다.
KV 캐시는 주로 어떤 문제를 해결합니까?
캐싱이 없으면 각각의 새 토큰은 모든 이전 토큰에 대해 K/V를 다시 계산해야 하므로 이는 낭비입니다. 캐시는 토큰당 비용을 거의 일정하게 만듭니다.
KV 캐시의 주요 단점은 무엇입니까?
캐시는 시퀀스 길이, 레이어 및 헤드에 따라 증가하며 종종 긴 컨텍스트 제공에서 GPU 메모리의 주요 소비자가 됩니다.
어텐션 헤드 간에 키와 값을 공유하여 KV 캐시 크기를 줄이는 기술은 무엇입니까?
그룹화된 쿼리 및 다중 쿼리 주의를 통해 여러 쿼리 헤드가 더 적은 수의 키/값 세트를 공유하여 캐시를 크게 줄일 수 있습니다.
KV 캐시와 관련된 변환기 추론의 두 단계는 무엇입니까?
미리 채우기는 프롬프트의 K/V로 캐시를 채웁니다. decode는 각 단계마다 하나의 새 토큰의 K/V를 추가하고 캐시를 다시 처리합니다.