Prezentare generală
Multi-Query Attention (MQA) este o întorsătură care economisește memorie a atenției transformatorului, care împărtășește un set de chei și valori în toate capetele de atenție. Accelerează dramatic generarea de text prin micșorarea memoriei pe care modelul trebuie să o amestece.
Multi-Query Attention face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară.
Deep Dive
Atenția standard pentru mai multe capete oferă fiecărui cap propriile sale interogări, cheie și proiecții de valoare. În timpul generării, cheile și valorile pentru toate jetoanele anterioare trebuie să fie stocate în cache și reîncărcate la fiecare pas - acest cache KV devine principalul blocaj, deoarece citirea lui din memorie este mai lentă decât matematica în sine. Multi-Query Attention, propus de Noam Shazeer în 2019, păstrează proiecții separate de interogare pe cap, dar restrânge cheile și valorile într-un singur cap partajat. Acest lucru micșorează memoria cache KV cu un factor egal cu numărul de capete, uneori de 8x până la 64 de ori mai mic. Rezultatul este o decodare autoregresivă mult mai rapidă și o amprentă mai ușoară a memoriei, cu doar o scădere modestă a calității. O cale de mijloc, Atenție de interogare grupată, echilibrează compromisul.
Perspectivă tehnică
În MQA, greutățile de interogare produc în continuare H vectori de interogare separați, dar o singură proiecție cheie și o proiecție cu o singură valoare sunt partajate în toate capetele. Fiecare cap calculează atenția folosind propria sa interogare față de aceleași chei și valori. Deoarece tensorii K și V stocați în cache nu se mai scalează în funcție de numărul de capete, lățimea de bandă a memoriei în timpul decodării scade brusc - iar lățimea de bandă, nu calculul, este ceea ce limitează viteza de generare a acceleratoarelor moderne.
Stăpânirea atenției cu mai multe interogări
Multi-Query Attention (MQA) este o întorsătură care economisește memorie a atenției transformatorului, care împărtășește un set de chei și valori în toate capetele de atenție. Accelerează dramatic generarea de text prin micșorarea memoriei pe care modelul trebuie să o amestece. Multi-Query Attention face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară. Pentru a construi o înțelegere profundă, tratați atenția cu interogări multiple ca un model de operare, nu o singură caracteristică: definiți rezultatele dorite, clarificați ipotezele și separați ceea ce poate face sistemul în mod fiabil de ceea ce necesită încă o judecată expertă.
În practică, echipele puternice care utilizează Multi-Query Attention proiectează solicitări, recuperare și bucle de revizuire ca un singur sistem de comunicare integrat. Aceștia documentează criteriile de succes explicite, testează în funcție de date și fluxuri de lucru realiste și repetă pe baza modelelor de eșec observate, mai degrabă decât a câștigurilor de referință unice. Aici înțelegerea teoretică se transformă în capacitate durabilă pentru produse, politici și operațiuni.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În același timp, faptele halucinate pot intra în liniște în rapoarte, fluxuri de suport sau rezultate ale cercetării. Cea mai rezistentă abordare este combinarea vitezei de experimentare cu disciplina de guvernare: desfășurați pilot, capturați dovezi, publicați jurnalele de decizie și actualizați continuu măsurile de protecție pe măsură ce comportamentul modelului, așteptările utilizatorilor și cerințele de reglementare evoluează.
Impact strategic
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Extinde accesul în diferite limbi și stiluri de comunicare.
Extinde accesul în diferite limbi și stiluri de comunicare. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Implementare în lumea reală
Accelerarea generării token-cu-token în asistenții de chat, unde memoria cache KV, nu calculul brut, limitează debitul.
PaLM de la Google, care a folosit Multi-Query Attention pentru a permite o inferență eficientă la scară largă.
Servirea multor utilizatori concurenți pe un singur GPU prin micșorarea memoriei cache KV la cerere.
Grouped-Query Attention în Llama 2 70B și Llama 3, un descendent direct care echilibrează viteza MQA cu calitatea atenției deplină.
Modele de implementare
Multi-Query Atenție în practică
Accelerarea generării token-cu-token în asistenții de chat, unde memoria cache KV, nu calculul brut, limitează debitul.
Accelerarea generării token-cu-token în asistenții de chat în care memoria cache KV, nu calculul brut, limitează debitul Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile de eroare în timp.
Multi-Query Atenție în practică
PaLM de la Google, care a folosit Multi-Query Attention pentru a permite o inferență eficientă la scară largă.
PaLM de la Google, care a folosit Multi-Query Attention pentru a permite o inferență eficientă la scară largă.
Multi-Query Atenție în practică
Servirea multor utilizatori concurenți pe un singur GPU prin micșorarea memoriei cache KV la cerere.
Servirea multor utilizatori concurenți pe un singur GPU prin micșorarea memoriei cache KV la fiecare cerere.
Multi-Query Atenție în practică
Grouped-Query Attention în Llama 2 70B și Llama 3, un descendent direct care echilibrează viteza MQA cu calitatea atenției deplină.
Atenție de interogare grupată în Llama 2 70B și Llama 3, un descendent direct care echilibrează viteza MQA cu calitatea cu atenție deplină.
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.
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Păstrați un punct de control uman pentru rezultate cu mize mari. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.