概述
多查询注意力（MQA）是变压器注意力的一种节省内存的方式，它在所有注意力头之间共享一组键和值。它通过缩小模型必须随机播放的内存来显着加快文本生成速度。
多查询注意力是语言人工智能堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
标准的多头注意力为每个头提供了自己的查询、键和值投影。在生成过程中，所有过去令牌的键和值都必须在每个步骤中缓存和重新加载 - 这个 KV 缓存成为主要瓶颈，因为从内存中读取它比数学本身慢。多查询注意力机制由 Noam Shazeer 在 2019 年提出，它为每个头保留单独的查询投影，但将键和值折叠到单个共享头。这会将 KV 缓存缩小到等于磁头数量的系数，有时小 8 倍到 64 倍。结果是自回归解码速度更快，内存占用更轻，质量仅略有下降。中间立场，分组查询注意力，平衡了权衡。
技术洞察
在 MQA 中，查询权重仍然产生 H 个独立的查询向量，但单个键投影和单个值投影在所有头之间共享。每个头使用自己的查询针对相同的键和值来计算注意力。由于缓存的 K 和 V 张量不再随磁头数量缩放，因此解码期间的内存带宽急剧下降，而影响现代加速器生成速度的是带宽，而不是计算。
掌握多查询注意力
多查询注意力（MQA）是变压器注意力的一种节省内存的方式，它在所有注意力头之间共享一组键和值。它通过缩小模型必须随机播放的内存来显着加快文本生成速度。多查询注意力是语言人工智能堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将多查询注意力视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用多查询注意力的强大团队将提示、检索和审查循环设计为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
加速聊天助手中逐个令牌的生成，其中 KV 缓存（而不是原始计算）限制了吞吐量。
Google 的 PaLM，它使用多查询注意力来实现高效的大规模推理。
通过缩小每个请求的 KV 缓存内存，在一个 GPU 上为许多并发用户提供服务。
Llama 2 70B 和 Llama 3 中的分组查询注意力机制，是平衡 MQA 速度与全注意力质量的直系后代。
实施模式
多查询注意力实践
加速聊天助手中逐个令牌的生成，其中 KV 缓存（而不是原始计算）限制了吞吐量。
加速聊天助手中逐个令牌的生成，其中 KV 缓存（而不是原始计算）限制了吞吐量。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
多查询注意力实践
Google 的 PaLM，它使用多查询注意力来实现高效的大规模推理。
Google 的 PaLM，它使用多查询注意力来实现高效的大规模推理。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
多查询注意力实践
通过缩小每个请求的 KV 缓存内存，在一个 GPU 上为许多并发用户提供服务。
通过缩小每个请求的 KV 缓存内存，在一个 GPU 上为许多并发用户提供服务 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力提升和错误成本时，通常会获得更好的结果。
多查询注意力实践
Llama 2 70B 和 Llama 3 中的分组查询注意力机制，是平衡 MQA 速度与全注意力质量的直系后代。
Llama 2 70B 和 Llama 3 中的分组查询注意力机制（Llama 2 70B 和 Llama 3 的直接后代）平衡了 MQA 的速度和全注意力质量。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。