概述
多查詢注意力（MQA）是變壓器注意力的一種節省記憶體的方式，它在所有註意力頭之間共享一組鍵和值。它透過縮小模型必須隨機播放的記憶體來顯著加快文字生成速度。
多查詢注意力是語言人工智慧堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。
深入探討
標準的多頭注意力為每個頭提供了自己的查詢、鍵和值投影。在生成過程中，所有過去令牌的鍵和值都必須在每個步驟中快取和重新載入 - 這個 KV 快取成為主要瓶頸，因為從記憶體中讀取它比數學本身慢。多重查詢注意力機制由 Noam Shazeer 在 2019 年提出，它為每個頭保留單獨的查詢投影，但將鍵和值折疊到單個共享頭。這會將 KV 快取縮小到等於磁頭數量的係數，有時小 8 倍到 64 倍。結果是自回歸解碼速度更快，記憶體佔用更輕，品質僅略有下降。中間立場，分組查詢注意力，平衡了權衡。
技術洞察
在 MQA 中，查詢權重仍然產生 H 個獨立的查詢向量，但單一鍵投影和單一值投影在所有頭之間共用。每個頭使用自己的查詢針對相同的鍵和值來計算注意力。由於快取的 K 和 V 張量不再隨磁頭數量縮放，因此解碼期間的記憶體頻寬急劇下降，而影響現代加速器產生速度的是頻寬，而不是計算。
掌握多查詢注意力
多查詢注意力（MQA）是變壓器注意力的一種節省記憶體的方式，它在所有註意力頭之間共享一組鍵和值。它透過縮小模型必須隨機播放的記憶體來顯著加快文字生成速度。多查詢注意力是語言人工智慧堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。為了建立深入的理解，請將多查詢注意力視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用多查詢注意力的強大團隊將提示、檢索和審查循環設計為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
加速聊天助理中逐個令牌的生成，其中 KV 快取（而不是原始計算）限制了吞吐量。
Google 的 PaLM，它使用多重查詢注意力來實現高效的大規模推理。
透過縮小每個請求的 KV 快取內存，在一個 GPU 上為許多並髮用戶提供服務。
Llama 2 70B 和 Llama 3 中的分組查詢注意力機制，是平衡 MQA 速度與全注意力品質的直系後代。
實施模式
多查詢注意力實踐
加速聊天助理中逐個令牌的生成，其中 KV 快取（而不是原始計算）限制了吞吐量。
加速聊天助理中逐個令牌的生成，其中 KV 快取（而不是原始計算）限制了吞吐量。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
多查詢注意力實踐
Google 的 PaLM，它使用多重查詢注意力來實現高效的大規模推理。
Google 的 PaLM，它使用多重查詢注意力來實現高效的大規模推理。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
多查詢注意力實踐
透過縮小每個請求的 KV 快取內存，在一個 GPU 上為許多並髮用戶提供服務。
透過縮小每個請求的 KV 快取內存，在一個 GPU 上為許多並髮用戶提供服務 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力提升和錯誤成本時，通常會獲得更好的結果。
多查詢注意力實踐
Llama 2 70B 和 Llama 3 中的分組查詢注意力機制，是平衡 MQA 速度與全注意力品質的直系後代。
Llama 2 70B 和 Llama 3 中的分組查詢注意力機制（Llama 2 70B 和 Llama 3 的直接後代）平衡了 MQA 的速度和全注意力品質。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。