Mai departeUrmătorul ghid
Atenție la interogare grupată
AI limbaj
GHID AI limbaj
Atenție la 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.
Ascultă acest ghidNarativ AI · ~2 min
Pe această pagină2 minute de lectură
Prezentare generală
It dramatically speeds up text generation by shrinking the memory the model must shuffle around.
Scufundare în profunzime
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.
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.
Viitorul atenției cu mai multe interogări
MQA a stabilit că puteți elimina capetele cheie/valoare redundante cu puțin rău, iar această perspectivă modelează acum aproape fiecare LLM cu inferență rapidă. Domeniul a convergit în mare parte către Grouped-Query Attention (GQA), folosit în Llama 2/3 și multe altele, care utilizează câteva grupuri KV mai degrabă decât unul pentru a recupera calitatea, păstrând în același timp cea mai mare parte a accelerației. Lucrările viitoare îmbină aceste idei cu compresia KV-cache, cuantizarea și atenția multi-latentă pentru a împinge contexte mai lungi și servirea mai ieftină.
Punând-o în practică
De ce contează
- 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.
Atenție la
- 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.
Următorii pași
- 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
Buletin gratuit
Primește briefingul zilnic AI
Trei povești AI verificate în fiecare dimineață de zi lucrătoare, scrise în engleză simplă. Gratuit pentru totdeauna, fără reclame.
Un e-mail în fiecare zi lucrătoare. Dezabonare cu un singur clic. Nu vindem niciodată și nu împărtășim adresa ta.
Testează-te
Take the Multi-Query Attention quiz
Feedback instantaneu la fiecare răspuns și un certificat partajabil cu un ID verificabil după ce parcurgi un curs.
Susține educația AI gratuită. AI Understanding este o organizație nonprofit 501(c)(3) — fără reclame, fără barieră de plată, pentru totdeauna. Fă o donație
Întrebări frecvente
What is Multi-Query Attention?
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.
Ce împărtășește atenția cu interogări multiple pentru toate capetele de atenție?
MQA păstrează interogări separate per cap, dar partajează o proiecție cheie și o proiecție a valorii pentru toate capete.
Care este blocajul principal pe care MQA îl abordează în timpul generării autoregresive?
Reîncărcarea memoriei cache KV mare la fiecare pas este legată de lățimea de bandă; MQA micșorează memoria cache pentru a accelera decodarea.
Aproximativ prin ce factor MQA micșorează memoria cache KV?
Deoarece cheile și valorile se prăbușesc de la capete H la unul, memoria cache se micșorează cu aproximativ numărul de capete.
Care este principalul compromis al utilizării MQA?
Partajarea cheilor și valorilor reduce ușor capacitatea de reprezentare, determinând o mică scădere a calității în schimbul unor câștiguri mari de viteză.
Care variantă se află între atenția standard cu mai multe capete și MQA?
Grouped-Query Attention (GQA) folosește mai multe grupuri KV în loc de unul, echilibrând calitatea și viteza.
Continuați să învățați
Ghiduri conexe
Mai multe ghiduri alese pentru acest subiect