Perhatian Pertanyaan Berkumpulan
Perhatian Pertanyaan Berkumpulan (GQA) ialah satu cara untuk mengecilkan memori yang diperlukan semasa penjanaan teks dengan membenarkan beberapa kepala pertanyaan berkongsi kepala kunci dan nilai yang sama.
Gambaran keseluruhan
It makes large models much faster to serve with almost no quality loss.
Menyelam dalam
Dalam lapisan perhatian berbilang kepala standard, setiap kepala mempunyai pertanyaan, kunci dan nilainya sendiri. Semasa penjanaan, kunci dan nilai untuk semua token sebelumnya dicache ('cache KV') supaya model tidak mengiranya semula. Dengan banyak tajuk dan konteks yang panjang, cache ini menjadi besar dan menguasai lebar jalur memori pada masa inferens. GQA, yang diperkenalkan oleh penyelidik Google pada tahun 2023, mengumpulkan ketua pertanyaan dan memberikan setiap kumpulan satu set kepala kunci dan nilai yang dikongsi bersama. Jika anda mempunyai 32 kepala pertanyaan tetapi hanya 8 kumpulan KV, cache KV mengecut kira-kira empat kali ganda. Ini terletak di antara perhatian berbilang kepala penuh (setiap kepala berasingan) dan perhatian berbilang pertanyaan (satu KV dikongsi untuk semua kepala), menangkap sebahagian besar kelajuan MQA sambil mengekalkan kualiti dekat dengan perhatian penuh. Llama 2 70B dan banyak model terkemudian mengguna pakainya.
Wawasan Teknikal
Kualiti perhatian sangat bergantung pada mempunyai banyak arah pertanyaan yang berbeza, tetapi ia bertolak ansur dengan perkongsian kunci dan nilai. GQA mengeksploitasi asimetri ini: ia menyimpan semua kepala pertanyaan tetapi mereplikasi setiap kepala KV kongsi merentas pertanyaan dalam kumpulannya. Penjimatan datang pada kesimpulan, di mana cache KV adalah pengguna utama lebar jalur memori; lebih sedikit kepala KV bermakna kurang data untuk dibaca bagi setiap token yang dijana. Model sering 'dilatih' secara ringkas untuk menukar pusat pemeriksaan berbilang kepala sedia ada kepada satu GQA.
Kesan Strategik
Kelajuan dan skala
Aliran kerja bahasa boleh bergerak lebih pantas tanpa mengorbankan konsistensi.
Akses dan capai
Ia meluaskan akses merentas bahasa dan gaya komunikasi.
Keputusan yang lebih jelas
Pasukan boleh menghabiskan lebih banyak masa untuk membuat pertimbangan manakala automasi mengendalikan pengulangan.
Masa Depan Perhatian Pertanyaan Berkumpulan
GQA kini menjadi lalai standard dalam model berat terbuka kerana ia menukar kos kualiti yang kecil untuk kemenangan servis yang besar. Jangkakan ia akan semakin digabungkan dengan helah kecekapan lain seperti FlashAttention, pengkuantitian cache KV dan skema yang lebih baharu seperti perhatian terpendam berbilang kepala yang memampatkan cache dengan lebih jauh lagi. Apabila tetingkap konteks berkembang, mengawal saiz cache KV akan kekal sebagai masalah reka bentuk utama, dan perkongsian kepala gaya GQA akan kekal sebagai tuil utama.
Pelaksanaan Dunia Sebenar
Llama 2 70B dan Llama 3 menggunakan GQA untuk menyediakan konteks yang panjang dengan cache KV yang lebih kecil
Mengurangkan memori GPU supaya model sembang besar muat pada pemecut yang lebih sedikit atau lebih murah
Mempercepatkan penjanaan token demi token dalam API pengeluaran di mana jalur lebar cache KV menjadi hambatan
Mendayakan saiz kelompok yang lebih besar untuk melayani ramai pengguna secara serentak tanpa meletihkan memori
Risiko & Pengawal
Fakta halusinasi boleh memasukkan laporan, aliran sokongan atau hasil penyelidikan secara senyap-senyap.
Sensitiviti segera boleh mencipta hasil yang tidak konsisten merentas permintaan yang serupa.
Data teks sensitif mungkin terdedah jika kawalan akses lemah.
Hala Tuju Pelaksanaan
Tentukan format output, nada dan standard kualiti sebelum pelancaran.
Respons asas dengan sumber yang dipercayai apabila ketepatan penting.
Simpan pusat pemeriksaan semakan manusia untuk output berkepentingan tinggi.
Jejaki corak kegagalan dan latih semula gesaan atau aliran kerja dengan kerap.
Teruskan Meneroka
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 Grouped-Query Attention 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
Panduan seterusnya
Perhatian Berbilang Pertanyaan
Soalan lazim
What is Grouped-Query Attention?
Perhatian Pertanyaan Berkumpulan (GQA) ialah satu cara untuk mengecilkan memori yang diperlukan semasa penjanaan teks dengan membenarkan beberapa kepala pertanyaan berkongsi kepala kunci dan nilai yang sama. Ia menjadikan model besar lebih pantas untuk berkhidmat dengan hampir tiada kehilangan kualiti.
Dalam Perhatian Pertanyaan Berkumpulan, apakah yang dikongsi antara sekumpulan ketua pertanyaan?
GQA menyimpan kepala pertanyaan yang berasingan tetapi membenarkan setiap kumpulan daripada mereka berkongsi satu set kepala kunci dan nilai, mengecilkan cache KV.
GQA paling baik digambarkan sebagai jalan tengah antara dua ekstrem yang manakah?
Multi-head memberikan setiap kepala KVnya sendiri; berbilang pertanyaan berkongsi satu KV untuk semua kepala; GQA duduk di antara dengan beberapa kumpulan KV.
Apakah bahagian inferens yang GQA lebih murah?
Penjimatan muncul pada masa penjanaan, dengan membaca cache KV ialah kos lebar jalur memori yang dominan.
Jika model mempunyai 32 kepala pertanyaan dan 8 kumpulan KV, cache KV dikurangkan dengan kira-kira faktor apa?
32 kepala pertanyaan dibahagikan dengan 8 kumpulan KV yang dikongsi memberikan lebih kurang empat kali ganda pengurangan kunci dan nilai cache.
Mengapakah GQA boleh mengekalkan kebanyakan kualiti model walaupun berkongsi kepala KV?
Perhatian bertolak ansur dengan perkongsian kunci dan nilai jauh lebih baik daripada bertolak ansur kehilangan arah pertanyaan yang berbeza, jadi GQA mengekalkan kualiti yang tinggi.