Atenție latentă cu mai multe capete
Multi-Head Latent Attention (MLA) este un mecanism de atenție, introdus în DeepSeek-V2, care comprimă memoria cache-cheie-valoare aglomerată într-un mic vector latent partajat.
Prezentare generală
It lets large language models run with far less GPU memory while keeping quality close to standard attention.
Scufundare în profunzime
Când un transformator generează text, acesta stochează un vector cheie și valoare pentru fiecare token trecut într-o „cache KV”. Cache-ul crește odată cu lungimea contextului și domină utilizarea memoriei în timpul inferenței. MLA înlocuiește numeroșii vectori cheie/valoare de dimensiune completă cu un singur vector latent de rang scăzut pe token, apoi proiectează acel back-up latent în chei și valori per-cap din mers. Deoarece doar latentul compact este stocat în cache, DeepSeek-V2 a raportat că a redus memoria cache KV cu peste 90% față de atenția standard cu mai multe capete, permițând contexte mai lungi și dimensiuni mai mari de loturi. În mod crucial, matricele de proiecție în sus pot fi pliate în alte greutăți, astfel încât MLA realizează această compresie cu o pierdere mică sau deloc măsurabilă în calitatea modelării.
Perspectivă tehnică
MLA efectuează o compresie comună de rang scăzut: starea ascunsă a fiecărui jeton este proiectată în jos la un mic vector latent, iar matricele separate de proiecție în sus reconstruiesc cheile și valorile per-cap. Un truc inteligent este „absorbția” ponderilor de proiecție în sus în proiecțiile de interogare și de ieșire, astfel încât modelul nu materializează niciodată cheile/valorile complete în timpul inferenței. Înglobarile de poziție rotativă sunt gestionate cu un traseu decuplat al cheii, deoarece rotația nu poate fi absorbită în același mod, păstrând informațiile de poziție.
Impact strategic
Viteză și scară
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Acces și acoperire
Extinde accesul în diferite limbi și stiluri de comunicare.
Decizii mai clare
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Viitorul atenției latente cu mai multe capete
MLA a făcut ca DeepSeek-V2 și V3 să fie economice pentru a fi servite la scară, iar tehnica se răspândește pe măsură ce echipele urmăresc inferențe mai ieftine în context lung. Așteptați-vă ca compresia latentă în stil MLA să se combine cu straturi rare Mixture-of-Experts, cache-uri cuantificate și decodare speculativă în viitoarele modele deschise. Cercetătorii explorează, de asemenea, cât de mult se poate micșora dimensiunea latentă înainte ca calitatea să scadă și dacă aceeași idee de rang scăzut poate comprima atenția în timpul antrenamentului, nu doar deducerea.
Implementare în lumea reală
Servirea modelelor de chat DeepSeek-V2/V3 cu amprente de memorie GPU dramatic mai mici per solicitare
Rularea unei întrebări cu un document lung care răspunde în cazul în care un cache KV mare ar epuiza VRAM
Creșterea dimensiunii lotului de inferență pe un GPU fix, deoarece fiecare secvență stochează doar un mic vector latent
Activarea ferestrelor de context mai lungi pe hardware-ul de mărfuri pentru asistenții optimizați pentru recuperare
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Continuați să explorați
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 Multi-Head Latent 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
Următorul ghid
Atenție la mai multe interogări
Întrebări frecvente
What is Multi-Head Latent Attention?
Multi-Head Latent Attention (MLA) este un mecanism de atenție, introdus în DeepSeek-V2, care comprimă memoria cache-cheie-valoare aglomerată într-un mic vector latent partajat. Permite modelelor mari de limbaj să ruleze cu mult mai puțină memorie GPU, păstrând în același timp calitatea aproape de atenția standard.
Care este problema principală pe care este concepută atenția latentă cu mai multe capete?
MLA vizează memoria cache KV, care crește odată cu lungimea contextului și domină memoria în timpul generării textului.
Cum micșorează MLA memoria cache KV?
MLA memorează în cache un vector latent compact per token și reconstruiește cheile și valorile din acesta prin proiectare în sus.
Care model a introdus pentru prima dată atenția latentă cu mai multe capete?
MLA a fost introdus de DeepSeek în modelul său DeepSeek-V2 și transportat în DeepSeek-V3.
De ce are nevoie MLA de o cale separată „decuplată” pentru înglobarea poziției rotative?
Transformarea rotativă nu poate fi absorbită în alte matrici de greutate, astfel încât MLA păstrează o mică componentă cheie decuplată pentru a transporta informații de poziție.
Aproximativ câtă reducere a memoriei KV-cache a raportat DeepSeek-V2 de la MLA față de atenția standard cu mai multe capete?
DeepSeek-V2 a raportat că a redus memoria cache KV cu mai mult de 90%, permițând contexte mai lungi și loturi mai mari.