Genel Bakış
Gruplandırılmış Sorgu Dikkati (GQA), birden fazla sorgu kafasının aynı anahtarı ve değer kafalarını paylaşmasına izin vererek metin oluşturma sırasında ihtiyaç duyulan belleği azaltmanın bir yoludur. Büyük modellerin neredeyse hiç kalite kaybı olmadan çok daha hızlı hizmet vermesini sağlar.
Gruplandırılmış Sorgu Dikkati, metni ve konuşmayı uygun ölçekte okumak, oluşturmak, sınıflandırmak ve dönüştürmek için kullanılan dil yapay zeka yığınının bir parçasıdır.
Derin Dalış
Standart çok kafalı dikkat katmanında her kafanın kendi sorguları, anahtarları ve değerleri vardır. Oluşturma sırasında, önceki tüm belirteçlerin anahtarları ve değerleri önbelleğe alınır ('KV önbellek'), böylece model bunları yeniden hesaplamaz. Birçok başlık ve uzun bağlamlarla bu önbellek çok büyük hale gelir ve çıkarım zamanında bellek bant genişliğine hakim olur. Google araştırmacıları tarafından 2023'te tanıtılan GQA, sorgu başlıklarını gruplandırır ve her gruba tek bir paylaşılan anahtar ve değer başlığı seti verir. 32 sorgu başlığınız ancak yalnızca 8 KV grubunuz varsa, KV önbelleği kabaca dört kat küçülür. Bu, tam çok kafalı dikkat (her kafa ayrı) ile çoklu sorgu dikkati (tüm kafalar için paylaşılan bir KV) arasında yer alır ve kaliteyi tam dikkatte tutarken MQA hızının çoğunu yakalar. Llama 2 70B ve sonraki birçok model bunu benimsedi.
Teknik Bilgi
Dikkat kalitesi, büyük ölçüde birçok farklı sorgu yönüne sahip olmasına bağlıdır, ancak anahtarların ve değerlerin paylaşılmasını tolere eder. GQA bu asimetriden yararlanır: tüm sorgu başlıklarını tutar ancak her paylaşılan KV kafasını kendi grubundaki sorgular arasında çoğaltır. Tasarruflar, KV önbelleğinin bellek bant genişliğinin ana tüketicisi olduğu çıkarımda gelir; daha az KV kafası, oluşturulan jeton başına okunacak daha az veri anlamına gelir. Modeller genellikle mevcut çok başlı kontrol noktasını DQA kontrol noktasına dönüştürmek için kısa süreliğine 'yükseltilir'.
Gruplandırılmış Sorgu Dikkatinde Uzmanlaşma
Gruplandırılmış Sorgu Dikkati (GQA), birden fazla sorgu kafasının aynı anahtarı ve değer kafalarını paylaşmasına izin vererek metin oluşturma sırasında ihtiyaç duyulan belleği azaltmanın bir yoludur. Büyük modellerin neredeyse hiç kalite kaybı olmadan çok daha hızlı hizmet vermesini sağlar. Gruplandırılmış Sorgu Dikkati, metni ve konuşmayı uygun ölçekte okumak, oluşturmak, sınıflandırmak ve dönüştürmek için kullanılan dil yapay zeka yığınının bir parçasıdır. Derin bir anlayış oluşturmak için Gruplandırılmış Sorgu Dikkatini tek bir özellik olarak değil, bir işletim modeli olarak ele alın: istenen sonuçları tanımlayın, varsayımları netleştirin ve sistemin güvenilir bir şekilde yapabileceklerini hâlâ uzman görüşü gerektiren şeylerden ayırın.
Uygulamada, Gruplandırılmış Sorgu Dikkat tasarımını kullanan güçlü ekipler, tek bir entegre iletişim sistemi olarak istemleri, geri alma ve inceleme döngülerini kullanır. Açık başarı kriterlerini belgeliyorlar, gerçekçi verilere ve iş akışlarına göre test ediyorlar ve tek seferlik kıyaslama kazanımları yerine gözlemlenen başarısızlık modellerine dayalı olarak yineleniyorlar. Burası teorik anlayışın ürün, politika ve operasyonlar genelinde dayanıklı yeteneğe dönüştüğü yerdir.
Dil iş akışları tutarlılıktan ödün vermeden daha hızlı ilerleyebilir. Aynı zamanda Halüsinasyonlu gerçekler sessizce raporlara, destek akışlarına veya araştırma çıktılarına girebilir. En dayanıklı yaklaşım, deneme hızını yönetişim disiplini ile birleştirmektir: pilot uygulamaları çalıştırın, kanıtları toplayın, karar günlüklerini yayınlayın ve model davranışı, kullanıcı beklentileri ve düzenleyici gereksinimler geliştikçe koruma önlemlerini sürekli olarak güncelleyin.
Stratejik Etki
Dil iş akışları tutarlılıktan ödün vermeden daha hızlı ilerleyebilir.
Dil iş akışları tutarlılıktan ödün vermeden daha hızlı ilerleyebilir. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Diller ve iletişim tarzları arasında erişimi genişletir.
Diller ve iletişim tarzları arasında erişimi genişletir. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Otomasyon tekrarlamayı yönetirken ekipler karar vermeye daha fazla zaman ayırabilir.
Otomasyon tekrarlamayı yönetirken ekipler karar vermeye daha fazla zaman ayırabilir. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Gerçek Dünya Uygulaması
Llama 2 70B ve Llama 3, daha küçük bir KV önbelleğiyle uzun bağlamlara hizmet etmek için GQA kullanıyor
Büyük bir sohbet modelinin daha az veya daha ucuz hızlandırıcılara sığması için GPU belleğinin azaltılması
KV-önbellek bant genişliğinin darboğaz olduğu üretim API'lerinde jeton bazlı üretimin hızlandırılması
Belleği tüketmeden aynı anda birden fazla kullanıcıya hizmet vermek için daha büyük toplu iş boyutlarının etkinleştirilmesi
Uygulama Modelleri
Uygulamada Gruplandırılmış Sorgu Dikkati
Llama 2 70B ve Llama 3, daha küçük bir KV önbelleğiyle uzun bağlamlara hizmet etmek için GQA kullanıyor.
Llama 2 70B ve Llama 3, daha küçük bir KV önbelleğiyle uzun bağlamlara hizmet vermek için GQA kullanıyor Ekipler genellikle kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolunu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ederler.
Uygulamada Gruplandırılmış Sorgu Dikkati
Büyük bir sohbet modelinin daha az veya daha ucuz hızlandırıcılara sığması için GPU belleğinin azaltılması.
Büyük bir sohbet modelinin daha az sayıda veya daha ucuz hızlandırıcılara sığması için GPU belleğinin azaltılması Ekipler genellikle kalite eşiklerini önceden tanımladıklarında, uç durumlar için insani bir yükseltme yolu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ederler.
Uygulamada Gruplandırılmış Sorgu Dikkati
KV önbellek bant genişliğinin darboğaz olduğu üretim API'lerinde jeton bazlı üretimin hızlandırılması.
KV-önbellek bant genişliğinin darboğaz oluşturduğu üretim API'lerinde token token oluşturmayı hızlandırma Ekipler genellikle kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ederler.
Uygulamada Gruplandırılmış Sorgu Dikkati
Belleği tüketmeden aynı anda birden fazla kullanıcıya hizmet vermek için daha büyük toplu iş boyutlarının etkinleştirilmesi.
Belleği yormadan birçok kullanıcıya aynı anda hizmet vermek için daha büyük toplu iş boyutlarına olanak sağlama Ekipler genellikle kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ederler.
Riskler ve Korkuluklar
Halüsinasyonlu gerçekler sessizce raporlara, destek akışlarına veya araştırma çıktılarına girebilir.
İstem hassasiyeti, benzer istekler arasında tutarsız sonuçlar yaratabilir.
Erişim kontrolleri zayıfsa hassas metin verileri açığa çıkabilir.
Uygulama Yol Haritası
Kullanıma sunmadan önce çıktı formatını, tonunu ve kalite standartlarını tanımlayın.
Kullanıma sunmadan önce çıktı formatını, tonunu ve kalite standartlarını tanımlayın. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Doğruluğun önemli olduğu durumlarda güvenilir kaynaklarla zemin müdahaleleri.
Doğruluğun önemli olduğu durumlarda güvenilir kaynaklarla zemin müdahaleleri. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Yüksek riskli çıktılar için insan incelemesi kontrol noktası bulundurun.
Yüksek riskli çıktılar için insan incelemesi kontrol noktası bulundurun. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Arıza modellerini takip edin ve istemleri veya iş akışlarını düzenli olarak yeniden eğitin.
Arıza modellerini takip edin ve istemleri veya iş akışlarını düzenli olarak yeniden eğitin. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.