引言
本文将探讨KV-Cache如何通过在内存使用和计算时间之间进行巧妙的权衡,使像ChatGPT和DeepSeek这样的语言模型在生成文本时更快。
总结11篇最近的研究论文,归纳三大类: token选择、后处理压缩技术和架构重新设计 。包括DeepSeek的多头潜在注意力(MLA),这些论文在这一基本思想的基础上,进一步提高了大型语言模型(LLM)推理的时间效率。
一、思考
为什么文本生成如此缓慢
让我们从一个简单的类比开始。想象你在写一个故事,每写一个新词,你都需要重新阅读到目前为止的整个故事以保持一致性。故事越长,重新阅读的时间就越长。这正是大型语言模型在文本生成时所面临的问题。
自注意力的基本构建块
现代语言模型的核心是一种称为自注意力的机制。对于一个由
个标记(大致对应单词)组成的序列,每个标记都需要“查看”或“关注”所有其他标记以理解上下文。
这种查看一切的过程的计算成本随着序列长度的增长而增长:
- 对于
个标记,每个标记都需要查看所有nn个标记
- 这意味着成本与
成正比
- 用数学符号表示,我们将其写为
的复杂度
真正的问题:一次生成一个标记
当语言模型生成文本时,它一次生成一个标记,这就是事情变得计算密集的地方:
- 第一个标记:查看1个标记(成本:
)
- 第二个标记:查看2个标记(成本:
)
- 第三个标记:查看3个标记(成本:
)
- 以此类推,直到第
个标记:查看
个标记(成本:
)
如果我们将生成长度为
的序列的所有这些成本加起来,我们得到:
这种
的成本意味着随着文本的增长,生成时间会极其迅速地增长。例如,生成两倍长的序列大约需要八倍的时间!显然,我们需要一个更好的方法。
解决方案:键值(KV)缓存
KV 缓存背后的关键是,我们正在做大量冗余工作。在生成每个新标记时,我们会重新计算之前已经处理过的所有先前标记。让我们看看如何解决这个问题。
什么是键值缓存?
可以将 KV 缓存想象成一个智能记事本,我们会在第一次看到每个 token 时记下有关它的重要信息。对于每个 token,我们计算并存储两件事:
- 键(k):可以将其视为一种寻址机制——它有助于确定此标记与未来标记的相关性
- 值(v):可以将其视为当此标记被发现相关时实际使用的信息
从数学上,我们计算这些为:
- 键:
(其中
是标记,
是一个学习到的变换)
- 值:
(其中
是另一个学习到的变换)
在生成一个新标记时,我们使用它的查询(计算方式类似于键)通过将其与所有存储的键进行比较来在我们的缓存中找到相关信息。然后使用匹配的值来帮助生成标记。
KV缓存如何加速
有了KV缓存,处理过程变得更加高效:
- 当我们遇到一个新token时,只需要计算它的key和value一次
- 对于所有后续的token,我们可以直接从缓存中查找这些预计算的值
- 这意味着每个新token只需要做少量新的计算,而不是重新做所有之前的计算
显然有一个权衡:
- 我们需要更多的内存来存储所有的keys和values。对于一个具有:
- 层
- 注意力头
- 序列长度
- key/value维度
,总的内存开销为
值(这个2是因为需要存储keys和values)。这会随着序列长度
线性增长
,但对于大模型来说,常数因子可能非常大。
- 但作为回报,我们将计算成本从
降低到
。
要理解为什么是
,让我们看一下每一步的成本:
- 第一步:处理一个token
成
本 2. 第二步:处理一个新token + 查找1个缓存的token
成
本 3. 第三步:处理一个新token + 查找2个缓存的token
成
本 4. 依此类推...
将这些加起来:
这相比
是一个显著的改进!虽然我们仍然需要做查看所有前面的tokens的基础工作
,但我们避免了每一步都进行昂贵的重新计算。
内存挑战:为什么我们需要更好的解决方案
虽然KV缓存是一个强大的优化手段,但它伴随着显著的内存开销。让我们通过一个具体的例子来看看,使用像Llama3 70B这样的现代大语言模型:
- 层
- 注意力头
- 批量大小为8个序列
- key/value维度
- 16位精度
处理一个批量(8个序列,每个序列1000个token)所需的内存为:
字节
字节
GB
这种巨大的内存使用带来了几个挑战:
- 随着序列长度线性增长
- 与批量大小成倍增长,支持并行处理
- 限制了我们可以处理的最大上下文长度
- 限制了在内存受限设备上的部署
这些挑战激发了研究界的一波创新,导致了各种优化KV缓存使用的技术。接下来,将探讨这些前沿的解决方案。
二、如何改善传统的KV缓存?
以下论文代表了KV缓存优化的关键创新。我们将通过三大主要方法来探索它们:token选择、后处理压缩技术和架构重设计。
2.1 Token 选择和修剪方法(Token Selection and Pruning Approaches)
- Heavy-Hitter Oracle (H2O)
H2O 引入了在KV缓存中识别和保留重要token的概念:
- 重型Token(Heavy-Hitter Tokens) :H2O 识别在生成过程中具有最高累计注意力分数的token,这些token遵循幂律分布。这些token对于模型的功能至关重要,因此在缓存中优先处理。
- 动态次模撤销(Dynamic Submodular Eviction) :该方法将缓存管理问题框架化为一个优化问题,目标函数为次模函数
,用于量化token集合
的重要性:
其中
是token
的累计注意力分数。缓存
通过以下方式更新:
确保每次最多只移除一个token。这个贪心算法在计算上高效,并在次模约束下保证接近最优的性能。
- 结果 :通过该方法,KV缓存大小减少了5倍,几乎没有精度损失,并且吞吐量提升了高达29倍。
- StreamLLM
- 作者观察到 注意力汇聚(Attention Sinks) 现象:解码过程中,初始token充当自然的注意力锚点。
- 如果没有这些注意力汇聚的token,传统窗口注意力方法的性能会下降。
- 基于这一观察,他们引入了 滚动缓存(Rolling Cache) ,它保留了初始token,并处理最近的上下文,从而实现了无限长度序列的处理。
- 他们还展示了这些汇聚token可以通过训练获得,作为专用的注意力锚点,从而减少对多个初始token的依赖。
- Value-Aware Token Pruning (VATP)
VATP 扩展了 H2O 的 token 重要性概念,考虑了注意力模式和价值向量的属性:
- 重要性评分 :结合了注意力分数和价值向量的信息:
其中
是累计注意力分数,
是价值向量的 L1 范数。
- Token修剪 :根据
排名token,最低分数的token被修剪,而注意力汇聚token(例如,开始或换行token)被保留,以防止性能下降。
性能与效率:
- 在16个 LongBench 任务中,VATP 在12-14个任务中超越了 H2O 和 Scissorhands 等基准。
- 在保持最小性能损失的情况下,实现了50%的有效压缩。
- 引入的计算开销几乎可以忽略不计,并且与 Scissorhands 集成时兼容 FlashAttention。
2.2 后处理压缩技术(Post-hoc Compression Techniques)
这些方法压缩或优化KV缓存,同时保持标准的Transformer架构。
- Adaptive KV Compression (FastGen)
FastGen 通过观察运行时的注意力模式引入了自适应压缩:
- 注意力分析 :在提示编码过程中,FastGen 识别注意力模式,并选择压缩策略
,以最小化内存开销,同时保留注意力恢复:
自适应压缩策略:
- 压缩策略包括:
- 特殊 token (
):仅保留特殊 token。
- 局部性 (
):逐出超过相对距离
的 token。
- 频率 (
):保留具有高累计注意力分数的 token (
)。
- 混合策略 结合这些策略,首先采用
,并根据每个头的需要适应性地应用:
Token 生成:
- 在解码过程中,预先选择的压缩策略有效地管理 KV 缓存:
- 动态内存压缩(DMC)
DMC 引入了自适应的 token 合并:
- 决策机制 :在时刻
,预测合并决策
和权重
:
- 加权合并 :当
时,合并当前和先前的条目:
其中
累积重要性权重。
训练:
- 使用 Gumbel-Sigmoid 放松来训练
,支持端到端的梯度下降训练:
其中
是温度参数。
- 优化组合目标:
其中
是语言建模损失,第二项鼓励模型匹配目标压缩比(CR)。
- 结果 :达到 8 倍的压缩率,保持性能。
范数基础的压缩
本文提出了一个令人惊讶的观察:缓存 KV 对的
范数与注意力分数之间存在明确的相关性,低
范数的键嵌入通常会导致解码时的高注意力分数。因此,提出了一个简单但有效的压缩目标:
- 基于范数的选择 :对于一组缓存键
,计算并排序键的范数:
- 排序和选择 :为了压缩 KV 缓存,按
范数值对所有键进行排序:
保留范数最小的前
个键,其中
,
为压缩比。
-
压缩缓存 :压缩后的键值缓存为:
-
由于其简洁性,该方法与 FlashAttention 保持兼容。
2.3 体系结构重设计
这些方法改变了 Transformer 架构,以更高效地处理 KV 缓存,通常将压缩直接集成到架构中。
- 多查询注意力(MQA)
- https://arxiv.org/pdf/2305.13245
- 核心思想 :MQA 通过共享单个键值头跨所有查询头来减少 KV 缓存大小,替代传统的多头注意力(MHA):
其中
和
是共享的键和值投影。
- 优点 :将 KV 缓存大小减少了
(注意力头的数量),显著降低了内存带宽开销。
- 权衡 :虽然 MQA 更快,但在需要多样化注意力模式的任务中,通常会遭遇质量下降。
- 分组查询注意力(GQA)
- https://arxiv.org/abs/2305.13245
- 核心思想 :GQA 在完全多头注意力和 MQA 之间进行插值,提供了推理速度和模型质量之间的可扩展权衡。它将查询头分为
组,每组共享一个单独的键值头:
- GQA-1 :等价于 MQA
。
- **GQA-
**:等价于 MHA
。
- 训练 :通过微调将 GQA 引入现有的预训练模型:
- 首先,将 MHA 权重通过均值池化转换为 GQA。
- 然后进行微调(“上训练”)以适应新的注意力模式。
- 该适应过程仅需原始预训练计算的 5%,使其非常高效。
- 结果模型保持质量,同时获得 GQA 的内存优势。
- 多头潜在注意力(MLA)
DeepSeek的多头潜在注意力(MLA)采用了一种新颖的方法来减少KV缓存开销。虽然MQA和GQA通过头共享来实现这一目标,MLA则采用低秩潜在压缩技术,在保持多头注意力的优点的同时,减少了KV缓存的大小。
- MLA通过将键(keys)和值(values)压缩成低维度的潜在向量,来减少KV缓存的大小。
- 它将键值嵌入(key-value embeddings)降投到一个压缩的潜在空间:
其中,
是降投矩阵,
、
是键和值的上投矩阵。
- 通过压缩表示,MLA保持了每个头的灵活性,不同于MQA的完全头共享。
- 它引入了旋转位置嵌入(RoPE)来解耦位置感知的键:
这进一步减少了KV缓存的存储,仅缓存压缩的潜在向量
和位置键
。
- SnapKV
- https://arxiv.org/pdf/2404.14469
- SnapKV引入了观察窗口(Observation Window):使用提示结束的tokens来识别注意力模式:
其中,
表示注意力权重,
由压缩率决定。
- 压缩:使用池化层围绕选定位置聚类特征,以保持上下文完整性。
- 只缓存一次(YOCO)
YOCO修改了Transformer架构以优化缓存:
- 全局缓存:使用解码器-解码器设计,只有一个共享的KV缓存。
- 复杂度减少:将内存从
减少到
,其中
是序列长度,
是层数。
- 高效注意力:自解码器采用滑动窗口注意力或门控保留机制,使内存使用保持恒定(
,其中
是小窗口大小)。
结论
KV-Cache技术是将Transformer模型扩展和优化到实际应用中的核心。像动态逐出、压缩和结构化近似等创新,持续推动着在长上下文或资源受限的场景中实现更高效的技术。KV-Cache仍然是一个活跃的研究领域,既提供了理论上的见解,也带来了实际的改进。