Taal AI-GIDS
KV-cache
De KV-cache slaat de sleutel- en waardevectoren op die een transformator al heeft berekend voor eerdere tokens, zodat deze niet voor elk nieuw woord dat hij genereert opnieuw hoeft te worden berekend.
Luister naar deze gidsAI-verteld · ~2 min
Op deze pagina2 min lezen
Overzicht
It is the single biggest reason text generation is fast — and the main thing eating your GPU memory during long conversations.
Diepe duik
Transformers genereren tekst per token, en de aandachtslaag van elk nieuw token moet worden vergeleken met elk voorafgaand token. Het aandachtsmechanisme verandert elk token in een query-, sleutel- en waardevector. Zonder caching zou het genereren van token nummer 1.000 betekenen dat bij elke stap de sleutels en waarden voor alle 999 eerdere tokens opnieuw moeten worden berekend – kwadratisch, verspillend werk. De KV-cache slaat deze sleutel- en waardevectoren op nadat ze voor het eerst zijn berekend en gebruikt ze opnieuw, zodat elke nieuwe stap alleen vectoren voor het nieuwste token berekent en de opgeslagen cache bijwoont. Dit verlaagt de kosten per token van schalen met reekslengte tot ongeveer constant. De wisselwerking is het geheugen: de cache groeit lineair met de lengte van de context, het aantal lagen en de aandachtsgebieden, en wordt vaak de dominante geheugengebruiker bij het serveren van lange contexten.
Implementatie in de echte wereld
Het versnellen van chatbotantwoorden door in de cache opgeslagen sleutels/waarden uit de gespreksgeschiedenis te hergebruiken in plaats van deze elke beurt opnieuw te verwerken.
Voorvoegselcaching die de cache voor een lange systeemprompt deelt met veel gebruikers, waardoor de kosten en latentie worden verlaagd.
vLLM's PagedAttention beheert de KV-cache in blokken om veel gelijktijdige verzoeken op één GPU efficiënt af te handelen.
Het kwantificeren van de KV-cache om de precisie te verlagen, zodat langere contexten in een beperkt GPU-geheugen passen.
De toekomst van KV-cache
Terwijl contextvensters zich uitstrekken tot honderdduizenden tokens, wordt de KV-cache het centrale knelpunt, dus de innovatie is fel: cache-kwantisering naar 8 of 4 bits, uitzettingsbeleid dat tokens van laag belang laat vallen, het delen van prefixen tussen verzoeken en offloaden naar CPU of schijf. Architecturale verschuivingen zoals latente aandacht van meerdere hoofden comprimeren de cache zelf. Verwacht een voortdurend co-ontwerp van aandachtsvarianten en geheugensystemen gericht op het goedkoop bedienen van zeer lange contexten en met een hoge doorvoer.
Het in de praktijk brengen
Waarom het ertoe doet
- Snelheid en schaal. Taalworkflows kunnen sneller verlopen zonder dat dit ten koste gaat van de consistentie.
- Toegang en bereik. Het breidt de toegang uit naar meerdere talen en communicatiestijlen.
- Duidelijkere beslissingen. Teams kunnen meer tijd besteden aan beoordeling, terwijl automatisering de herhaling afhandelt.
Pas op voor
- Gehallucineerde feiten kunnen stilletjes rapporten binnendringen, stromen ondersteunen of onderzoeksresultaten opleveren.
- Gevoeligheid voor prompts kan inconsistente resultaten opleveren voor vergelijkbare verzoeken.
- Gevoelige tekstgegevens kunnen openbaar worden gemaakt als de toegangscontroles zwak zijn.
Volgende stappen
- Definieer het uitvoerformaat, de toon en de kwaliteitsnormen vóór de implementatie.
- Grondreacties met vertrouwde bronnen wanneer nauwkeurigheid belangrijk is.
- Houd een menselijk controlepunt bij voor resultaten met een hoge inzet.
- Houd faalpatronen bij en train prompts of workflows regelmatig opnieuw.
Blijf verkennen
Gratis nieuwsbrief
Ontvang de dagelijkse AI-briefing
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Take the KV Cache quiz
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Veelgestelde vragen
What is KV Cache?
De KV-cache slaat de sleutel- en waardevectoren op die een transformator al heeft berekend voor eerdere tokens, zodat deze niet voor elk nieuw woord dat hij genereert opnieuw hoeft te worden berekend. Het is de grootste reden waarom het genereren van tekst snel is – en het belangrijkste dat uw GPU-geheugen opslokt tijdens lange gesprekken.
Wat slaat de KV-cache op?
De KV-cache bevat de sleutel- en waardevectoren van eerdere tokens, zodat de aandacht ze kan hergebruiken in plaats van opnieuw te berekenen.
Welk probleem lost de KV-cache voornamelijk op?
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.
Wat is het belangrijkste nadeel van de KV-cache?
De cache groeit met de reekslengte, lagen en koppen, en wordt vaak de dominante consument van GPU-geheugen bij het serveren in lange context.
Welke techniek verkleint de KV-cachegrootte door sleutels en waarden tussen aandachtshoofden te delen?
Door de aandacht voor gegroepeerde query's en meerdere query's kunnen meerdere querykoppen minder sleutel-/waardesets delen, waardoor de cache aanzienlijk wordt verkleind.
Wat zijn de twee fasen van transformator-inferentie ten opzichte van de KV-cache?
Prefill vult de cache met de K/V van de prompt; decode voegt bij elke stap de K/V van een nieuw token toe en volgt de cache opnieuw.
Blijf leren
Gerelateerde gidsen
Er zijn meer handleidingen voor dit onderwerp geselecteerd