Огляд
Multi-Query Attention (MQA) — це зміна трансформації уваги, що економить пам’ять, яка використовує один набір ключів і значень для всіх головок уваги. Це значно прискорює генерацію тексту, зменшуючи пам’ять, яку модель має перетасувати.
Multi-Query Attention є частиною стеку мовного штучного інтелекту, який використовується для читання, генерації, класифікації та масштабного перетворення тексту та мови.
Глибоке занурення
Стандартна увага кількох голов дає кожній голові власний запит, ключ і проекцію цінності. Під час генерації ключі та значення для всіх минулих токенів потрібно кешувати та перезавантажувати на кожному кроці — цей кеш KV стає головним вузьким місцем, оскільки його читання з пам’яті відбувається повільніше, ніж сама математика. Multi-Query Attention, запропонований Ноамом Шазіром у 2019 році, зберігає окремі прогнози запитів для кожної голови, але згортає ключі та значення до однієї спільної голови. Це зменшує кеш KV на коефіцієнт, що дорівнює кількості голів, іноді від 8 до 64 разів менше. Результатом є набагато швидше авторегресійне декодування та менший обсяг пам’яті з лише помірним зниженням якості. Золотий шлях, Grouped-Query Attention, врівноважує компроміс.
Технічне розуміння
У MQA ваги запиту все ще створюють H окремих векторів запиту, але одна проекція ключа та проекція єдиного значення використовуються для всіх заголовків. Кожна голова обчислює увагу, використовуючи власний запит щодо однакових ключів і значень. Оскільки кешовані тензори K і V більше не масштабуються залежно від кількості голів, пропускна здатність пам’яті під час декодування різко падає — і пропускна здатність, а не обчислення, є тим, що визначає швидкість генерації на сучасних прискорювачах.
Оволодіння увагою під час кількох запитів
Multi-Query Attention (MQA) — це зміна трансформації уваги, що економить пам’ять, яка використовує один набір ключів і значень для всіх головок уваги. Це значно прискорює генерацію тексту, зменшуючи пам’ять, яку модель має перетасувати. Multi-Query Attention є частиною стеку мовного штучного інтелекту, який використовується для читання, генерації, класифікації та масштабного перетворення тексту та мови. Щоб побудувати глибоке розуміння, сприймайте Multi-Query Attention як операційну модель, а не як окрему функцію: визначте бажані результати, уточніть припущення та відокремте те, що система може зробити надійно, від того, що все ще вимагає експертної оцінки.
На практиці сильні команди, які використовують Multi-Query Attention, проектують підказки, цикли пошуку та перегляду як одну інтегровану систему зв’язку. Вони документують чіткі критерії успіху, перевіряють реалістичні дані та робочі процеси та виконують ітерацію на основі спостережуваних моделей невдач, а не одноразових перемог у тестах. Саме тут теоретичне розуміння перетворюється на довготривалу здатність щодо продуктів, політики та операцій.
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості. У той же час галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень. Найбільш стійкий підхід полягає в поєднанні швидкості експериментів із дисципліною управління: запускайте пілотні проекти, збирайте докази, публікуйте журнали рішень і постійно оновлюйте запобіжні заходи в міру розвитку поведінки моделі, очікувань користувачів і нормативних вимог.
Стратегічний вплив
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Це розширює доступ до різних мов і стилів спілкування.
Це розширює доступ до різних мов і стилів спілкування. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Впровадження в реальному світі
Прискорення генерації маркерів у помічниках чату, де кеш KV, а не необроблені обчислення, обмежує пропускну здатність.
PaLM Google, який використовував Multi-Query Attention для ефективного широкомасштабного висновку.
Обслуговування багатьох одночасних користувачів на одному графічному процесорі шляхом зменшення кеш-пам’яті KV для кожного запиту.
Увага згрупованого запиту в Llama 2 70B і Llama 3, прямий нащадок, який балансує швидкість MQA з якістю повної уваги.
Шаблони реалізації
Багатозапитова увага на практиці
Прискорення генерації маркерів у помічниках чату, де кеш KV, а не необроблені обчислення, обмежує пропускну здатність.
Прискорення генерації маркерів у помічниках чату, де кеш KV, а не необроблені обчислення, обмежує пропускну здатність. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Багатозапитова увага на практиці
PaLM Google, який використовував Multi-Query Attention для ефективного широкомасштабного висновку.
PaLM від Google, який використовував Multi-Query Attention для забезпечення ефективного великомасштабного висновку. Команди зазвичай отримують кращі результати, коли вони визначають порогові значення якості наперед, зберігають шлях ескалації людини для крайніх випадків і відстежують як підвищення продуктивності, так і витрати на помилки з часом.
Багатозапитова увага на практиці
Обслуговування багатьох одночасних користувачів на одному графічному процесорі шляхом зменшення кеш-пам’яті KV для кожного запиту.
Обслуговування багатьох одночасних користувачів на одному графічному процесорі шляхом зменшення кеш-пам’яті KV для кожного запиту. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації людиною для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Багатозапитова увага на практиці
Увага згрупованого запиту в Llama 2 70B і Llama 3, прямий нащадок, який балансує швидкість MQA з якістю повної уваги.
Увага згрупованого запиту в Llama 2 70B і Llama 3, прямий нащадок, який збалансовує швидкість MQA з якістю повної уваги. Команди зазвичай отримують кращі результати, коли визначають порогові значення якості наперед, зберігають шлях ескалації людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Ризики та огорожі
Галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень.
Делікатність підказок може створити суперечливі результати для подібних запитів.
Конфіденційні текстові дані можуть бути розкриті, якщо контроль доступу слабкий.
Дорожня карта впровадження
Визначте вихідний формат, тон і стандарти якості перед розгортанням.
Визначте вихідний формат, тон і стандарти якості перед розгортанням. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Якщо точність має значення, зв’яжіться з надійними джерелами.
Якщо точність має значення, зв’яжіться з надійними джерелами. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Тримайте контрольну точку перевірки людьми для отримання високих ставок.
Тримайте контрольну точку перевірки людьми для отримання високих ставок. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.