Résumé
Grouped-Query Attention (GQA) anam la wu ñuy wàññi memory biñ soxla ci defar mbind, ci bàyyi boppu laaj yu bari ñu bokk benn caabi ak benn boppu valeur. Dafay tax model yu mag yi gëna gaaw ci liggéey te daanaka du ñàkk benn kalite.
Grouped-Query Attention bokk na ci lakk-IA stack bi ñuy jëfandikoo ngir jàng, defar, xaaj, ak soppi mbind ak wax ci eskaal.
Plongeur bu xóot
Ci layer attention multi-head buñ miin, bopp bu nekk amna ay laaj, ay caabi ak ay valeur. Bu ñuy génne, caabi yi ak valeur yi ci token yi njëkk yépp dañu leen denc ci cache ('cache KV') suko defee model bi baña leen xaymaat. Ak bopp yu bari ak contexte yu gudd, cache bi dafay nekk lu rëy ba noppi di ëpp doole ci yaatuwaayu mémoire bi ci diiru inference. GQA, Google gëstukat yi ñoo ko dugal ci 2023, dafay boole boppu laaj yi ba noppi jox mbooloo mu nekk benn boppu caabi ak valeur yuñ bokk. Soo amee 32 boppu laajte waaye 8 grupu KV kese, cache KV dafay wàññeeku lu tollu ci ñeenti yoon. Lii mingi toog ci diggante xel mu bari-bopp (bopp bu nekk dafa tàqaloo) ak xel mu-laaj (benn KV buñ bokk ngir bopp yépp), jàpp gaawaayu MQA bi gëna bari, boole ci tëye kalite bi jege bàyyi xel bu mat. Llama 2 70B ak yeneen model yu ci topp dañu ko jëfandikoo.
Gis-gis xarala
Kalite bàyyi xel mingi aju ci am yoon yu bari yu wuute ci laaj, waaye dafay nangu ñu séddoo caabi yi ak valeur yi. GQA dafay jëfandikoo asymétrie bii: dafay tëye bépp boppu laaj waaye dafay nuru bépp boppu KV buñ bokk ci laaj yi ci grupu bi. Sakkanal bi dafay ñëw ci inference, fu cache KV mooy konsomatër bi gëna mag ci yaatuwaayu mémoire bi; boppu KV yu néew dafay tekki done yu néew yuñ wara jàng ci token buñ defar. Model yi dañuy faral di 'uptrained' ci diir bu gàtt ngir soppi benn checkpoint bu am bopp yu bari ci benn GQA.
Mastering Groupe-Laajteb Fexe
Grouped-Query Attention (GQA) anam la wu ñuy wàññi memory biñ soxla ci defar mbind, ci bàyyi boppu laaj yu bari ñu bokk benn caabi ak benn boppu valeur. Dafay tax model yu mag yi gëna gaaw ci liggéey te daanaka du ñàkk benn kalite. Grouped-Query Attention bokk na ci lakk-IA stack bi ñuy jëfandikoo ngir jàng, defar, xaaj, ak soppi mbind ak wax ci eskaal. Ngir tabax xam-xam bu xóot, jàppal Grouped-Query Attention ni xeetu liggéey, du benn man-man: leeral njariñ yi nga bëgg, leeral xalaat yi, ba noppi tàqale li sistem bi mëna def ci anam wu wóor ak li ba leegi soxla àtteb kàngam.
Ci jëf, ekip yu am doole yi jëfandikoo Grouped-Query Attention ngir jëmmal, seetlu ak xoolaat ay boucles ni benn sistemu jokkoo buñ boole. Dañuy bind kritër yu leer ngir am ndam, natt leen ci done yu dëggu ak def liggéey, ba noppi ñu baamtu ci anamu ñàkka mëna seetlu, du ci benn yoon benchmark wins. Mooy barab bi xam-xam theorie bi di soppiku nekk kàttan buy yàgg ci produit yi, ci politik yi ak ci liggéey yi.
Liggéeyukaay yi ci làkk yi mën nañu gëna gaaw te duñu yàq deggoo gi. Ci jamano jooju, mbiri Hallucinated mën nañu dugg ci rapoor yi, jàppale flow yi, wala gëstu yi génne. Xeetu jëf bi gëna dëgër mooy boole gaawaayu jàngat ak disipline nguur: doxal pilote, jàpp firnde, siiwal dogal yi, ak wéy di yeesal kaaraange gi ci anam wi ñuy doxalee, li jëfandikukat bi di xaar, ak sàrti sàrt yi di jëm kanam.
njeextalu pexe
Liggéeyukaay yi ci làkk yi mën nañu gëna gaaw te duñu yàq deggoo gi.
Liggéeyukaay yi ci làkk yi mën nañu gëna gaaw te duñu yàq deggoo gi. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Dafay yaatal jëfandikoo gi ci làkk yi ak ci anam yi ñuy jokkoo.
Dafay yaatal jëfandikoo gi ci làkk yi ak ci anam yi ñuy jokkoo. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Ekip yi mën nañu gëna yàgg ci àtte ci jamono ji otomatisation di liggéey ci baamtu.
Ekip yi mën nañu gëna yàgg ci àtte ci jamono ji otomatisation di liggéey ci baamtu. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.
Doxal ci àdduna dëgg
Llama 2 70B ak Llama 3 jëfandikoo GQA ngir liggéey ci ay mbir yu gudd ak cache KV bu gëna ndaw
Wàññi mémoire GPU suko defee model chat bu mag mëna ànd ak gaawaay yu néew wala yu gëna yomb
Gaawaay defar token-ci-token ci API yi ñuy defaree KV-cache bandwidth mooy jafe-jafe bi
Fexe bamu gëna rëy ngir mëna jëfandikoo jëfandikukat yu bari benn yoon te du yàq mémoire bi
Modèlu jëfandikoo
Grouped-Query Fexe ci jëf
Llama 2 70B ak Llama 3 dañuy jëfandikoo GQA ngir mëna jëfandikoo ay mbir yu gudd ak cache KV bu gëna ndaw.
Llama 2 70B ak Llama 3 jëfandikoo GQA ngir liggéey ci jamono yu gudd ak cache KV bu gëna ndaw Ekip yi dañuy faral di am njariñ yu gëna baax suñu joxee thresholds yu baax ci kanam, tëye yoonu escalation nit ngir mbir yu am solo, ba noppi topp njariñu produit ak njëgu njuumte ci diir bi.
Grouped-Query Fexe ci jëf
Wàññi mémoire GPU suko defee model chat bu mag mëna ànd ak gaawaay yu néew wala yu yomb.
Wàññi mémoire GPU suko defee benn model chat bu mag mëna méngoo ak accelerator yu néew wala yu gëna yomb. Ekip yi dañuy faral di am njariñ yu gëna baax suñu joxee thresholds yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njariñu produit ak njëgu njuumte ci diir bi.
Grouped-Query Fexe ci jëf
Gaawaale defar token-ci-token ci API yi ñuy defaree KV-cache bandwidth mooy jafe-jafe bi.
Gaawaay token-by-token defar ci APIs yi KV-cache bandwidth nekk bottleneck Teams yi dañuy faral di am njariñ yu gëna baax suñu joxee thresholds yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njariñu produit ak njëgu njuumte ci diir bi.
Grouped-Query Fexe ci jëf
May batch yu gëna mag ngir mëna jëfandikoo jëfandikukat yu bari benn yoon te du yàq memory bi.
Fexe ba lots yu gëna mag ngir liggéey jëfandikukat yu bari ci benn yoon te baña jeexal memory Teams yi dañuy faral di am njariñ yu gëna baax suñu joxee thresholds yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp njariñu produit ak njëgu njuumte ci diir bi.
Risk yi ak balustrade yi
Lépp lu jaarul yoon mën na dugg ci rapoor yi, jàppale ci liggéey bi, wala ci njariñu gëstu bi.
Sensibilite bu gaaw mën na jur njariñ yu wuute ci laajte yu noonu mel.
Done yu am solo mën nañu feeñ sudee seytu jëfandikoo gi néew doole.
Roadmap ngir samp gi
Mandargal formaa génne gi, melokaan bi, ak standard kalite yi laata ngay dugal ko.
Mandargal formaa génne gi, melokaan bi, ak standard kalite yi laata ngay dugal ko. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Tontu yu am solo ak balluwaay yu wóor saa yu dëggu bi di am solo.
Tontu yu am solo ak balluwaay yu wóor saa yu dëggu bi di am solo. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Fexeel am barabu xool nit ñi ngir am njariñ yu am solo.
Fexeel am barabu xool nit ñi ngir am njariñ yu am solo. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.
Toppal anami gacce yi ak di faral di tàggataat ay laaj wala def-liggéey.
Toppal anami gacce yi ak di faral di tàggataat ay laaj wala def-liggéey. Japp jéego bu nekk ni buntu firnde: sudee mattul kritër yi, noppali génne gi, tëj bërëb bi, ba noppi nga yaatal jëfandikoo gi.