KV 캐시 최적화
KV 캐시는 변환기가 이미 계산한 키와 값을 저장하므로 모든 새 토큰에 대해 작업을 다시 실행하지는 않지만 기가바이트까지 늘어날 수 있습니다.
개요
KV cache optimization shrinks and manages that memory so models serve longer contexts to more users at once.
심층 분석
변환기에서 각각의 새로운 토큰은 어텐션의 키(K)와 값(V)을 통해 모든 이전 토큰에 참여합니다. 모든 단계에서 전체 시퀀스에 대해 K와 V를 다시 계산하는 것은 2차적이고 낭비적이므로 모델은 이를 KV 캐시에 캐시합니다. 단점은 크기입니다. 캐시는 시퀀스 길이, 배치 크기, 레이어 및 헤드에 따라 선형적으로 증가하므로 긴 컨텍스트 요청은 모델 가중치 자체보다 더 많은 GPU 메모리를 소비할 수 있습니다. 최적화는 여러 각도에서 이 문제를 해결합니다. 페이징된 메모리(vLLM의 PagedAttention)는 캐시를 비연속 블록에 저장하여 조각화를 제거하고 공유를 가능하게 합니다. 양자화는 K와 V를 8비트 또는 4비트로 저장합니다. GQA(Grouped-Query Attention) 및 MQA(Multi-Query Attention)와 같은 아키텍처 변경을 통해 많은 쿼리 헤드가 더 적은 수의 키/값 헤드를 공유하여 소스의 캐시 크기를 줄일 수 있습니다.
기술적 통찰력
PagedAttention은 운영 체제에서 가상 메모리 페이징을 차용합니다. 캐시는 조회 테이블을 통해 매핑된 고정 크기 블록에 있으므로 요청은 필요한 블록만 사용하고 동일한 접두사(예: 공유 시스템 프롬프트)는 동일한 블록을 가리킬 수 있습니다. DeepSeek 모델에 사용되는 다중 헤드 잠재 주의(MLA)는 K와 V를 작은 공유 잠재 벡터로 압축하여 정확성을 유지하면서 메모리를 대폭 절감합니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
KV 캐시 최적화의 미래
컨텍스트 창이 수십만 또는 수백만 개의 토큰으로 확장됨에 따라 KV 캐시가 지배적인 서비스 비용이 됩니다. 공격적인 캐시 압축 및 제거(낮은 주의 토큰 삭제), 기본적으로 교차 요청 접두사 공유, 콜드 캐시를 CPU 또는 NVMe로 오프로드, MLA 및 GQA와 같은 아키텍처가 표준이 될 것으로 예상됩니다. 캐시 관리는 계층 및 스마트 프리페칭을 갖춘 전체 메모리 계층 구조와 점점 더 유사해질 것입니다.
실제 구현
vLLM의 PagedAttention은 메모리 조각화 없이 KV 블록을 패킹하여 많은 동시 채팅 세션을 제공합니다.
Llama 모델의 Grouped-Query Attention은 KV 캐시 크기를 줄여 더 긴 컨텍스트가 GPU 메모리에 적합하도록 합니다.
긴 문서를 요약하는 동안 캐시 메모리를 대략 절반으로 줄이기 위해 KV 캐시를 8비트(KV8)로 양자화
수천 개의 API 요청에서 공유 시스템 프롬프트의 KV 블록을 재사용하는 접두사 캐싱
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
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 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
다음 가이드
KV 캐시
자주 묻는 질문
What is KV Cache Optimization?
KV 캐시는 변환기가 이미 계산한 키와 값을 저장하므로 모든 새 토큰에 대해 작업을 다시 실행하지는 않지만 기가바이트까지 늘어날 수 있습니다. KV 캐시 최적화는 해당 메모리를 축소하고 관리하므로 모델은 한 번에 더 많은 사용자에게 더 긴 컨텍스트를 제공합니다.
KV 캐시는 무엇을 저장하며 그 이유는 무엇입니까?
이전 토큰의 키와 값을 캐싱하면 모든 새 토큰에 대한 주의 계산을 다시 수행하지 않아 시간이 절약됩니다.
KV 캐시가 메모리 문제가 될 수 있는 이유는 무엇입니까?
캐시 크기는 컨텍스트 길이와 동시성에 따라 확장되므로 긴 요청은 엄청난 양의 GPU 메모리를 사용할 수 있습니다.
PagedAttention은 어떤 운영 체제 개념을 차용합니까?
PagedAttention은 OS 페이징과 마찬가지로 테이블을 통해 매핑된 연속되지 않은 고정 크기 블록에 캐시를 저장합니다.
Grouped-Query 및 Multi-Query Attention은 KV 캐시 크기를 어떻게 줄입니까?
여러 쿼리 헤드에서 키/값 헤드를 공유한다는 것은 저장할 K 및 V 벡터 수가 훨씬 적다는 것을 의미합니다.
KV 캐시에서 접두사 공유의 이점 중 하나는 무엇입니까?
공유 시스템 프롬프트는 동일한 KV 항목을 생성하므로 여러 요청이 중복되는 대신 동일한 블록을 가리킬 수 있습니다.