Внимание группового запроса
Внимание к групповым запросам (GQA) — это способ сократить объем памяти, необходимой во время генерации текста, позволяя нескольким головкам запросов использовать одни и те же головки ключей и значений.
Обзор
It makes large models much faster to serve with almost no quality loss.
Глубокое погружение
В стандартном слое внимания с несколькими головами каждая голова имеет свои собственные запросы, ключи и значения. Во время генерации ключи и значения для всех предыдущих токенов кэшируются («кэш KV»), поэтому модель не пересчитывает их. При наличии множества голов и длинных контекстов этот кэш становится огромным и доминирует над пропускной способностью памяти во время вывода. GQA, представленный исследователями Google в 2023 году, группирует заголовки запросов и предоставляет каждой группе единый общий набор заголовков ключей и значений. Если у вас 32 головки запроса, но только 8 групп KV, кэш KV сокращается примерно в четыре раза. Это находится между полным вниманием нескольких голов (каждая голова отдельно) и вниманием к нескольким запросам (один общий KV для всех голов), обеспечивая большую часть скорости MQA, сохраняя при этом качество, близкое к полному вниманию. Его приняли на вооружение Llama 2 70B и многие более поздние модели.
Техническая информация
Качество внимания во многом зависит от наличия множества различных направлений запроса, но допускается совместное использование ключей и значений. GQA использует эту асимметрию: он сохраняет все заголовки запросов, но реплицирует каждый общий заголовок KV по запросам в своей группе. Экономия достигается за счет вывода, что KV-кэш является основным потребителем пропускной способности памяти; меньше головок KV означает меньше данных для чтения на каждый сгенерированный токен. Модели часто на короткое время «обучаются», чтобы преобразовать существующую контрольную точку с несколькими головками в контрольную точку GQA.
Стратегическое воздействие
Скорость и масштаб
Языковые рабочие процессы могут развиваться быстрее, не жертвуя при этом согласованностью.
Доступ и охват
Это расширяет доступ к различным языкам и стилям общения.
Более четкие решения
Команды могут тратить больше времени на принятие решений, в то время как автоматизация занимается повторением.
Будущее внимания групповых запросов
GQA теперь является стандартным стандартом по умолчанию в моделях с открытым весом, поскольку он явно меняет небольшие затраты на качество на большие выигрыши в подаче. Ожидается, что он будет все больше сочетаться с другими приемами повышения эффективности, такими как FlashAttention, квантование KV-кэша и новыми схемами, такими как скрытое внимание с несколькими головками, которые еще больше сжимают кеш. По мере роста контекстных окон управление размером KV-кэша останется центральной проблемой проектирования, а совместное использование головы в стиле GQA останется ключевым рычагом.
Реальная реализация
Llama 2 70B и Llama 3 используют GQA для обслуживания длинных контекстов с меньшим кешем KV.
Уменьшение памяти графического процессора, чтобы большая модель чата помещалась на меньшем количестве или более дешевых ускорителях.
Ускорение генерации токенов в рабочих API, где пропускная способность KV-кэша является узким местом.
Включение больших размеров пакетов для одновременного обслуживания многих пользователей без исчерпания памяти.
Риски и ограничения
Галлюцинированные факты могут незаметно войти в отчеты, потоки поддержки или результаты исследований.
Незамедлительная чувствительность может привести к противоречивым результатам по схожим запросам.
Конфиденциальные текстовые данные могут быть раскрыты, если контроль доступа слабый.
Дорожная карта реализации
Перед развертыванием определите выходной формат, тон и стандарты качества.
Наземные ответы с помощью надежных источников, когда точность имеет значение.
Обеспечьте контрольную точку человеческого контроля для получения важных результатов.
Отслеживайте закономерности сбоев и регулярно обновляйте подсказки или рабочие процессы.
Продолжайте исследовать
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
Следующее руководство
Внимание к множественным запросам
Часто задаваемые вопросы
What is Grouped-Query Attention?
Внимание к групповым запросам (GQA) — это способ сократить объем памяти, необходимой во время генерации текста, позволяя нескольким головкам запросов использовать одни и те же головки ключей и значений. Благодаря этому большие модели обслуживаются намного быстрее практически без потери качества.
Что является общим для группы заголовков запроса при групповом запросе?
GQA хранит отдельные заголовки запросов, но позволяет каждой группе из них использовать один набор заголовков ключей и значений, сокращая кеш KV.
GQA лучше всего можно описать как золотую середину между какими двумя крайностями?
Мультиголовка дает каждой головке свой КВ; мультизапрос разделяет один КВ на все головки; GQA находится между несколькими группами КВ.
Какую часть вывода GQA в первую очередь удешевляет?
Экономия проявляется во время генерации, когда чтение KV-кэша является основной затратой на пропускную способность памяти.
Если модель имеет 32 головки запроса и 8 групп KV, примерно во сколько раз уменьшается кэш KV?
32 головки запросов, разделенные на 8 общих групп KV, дают примерно четырехкратное сокращение кэшируемых ключей и значений.
Почему GQA может сохранить большую часть качества модели, несмотря на совместное использование головок KV?
Внимание переносит совместное использование ключей и значений гораздо лучше, чем потерю отдельных направлений запроса, поэтому GQA поддерживает высокое качество.