研究人员推出了一种新颖的方法——分组值注意力(GVA),以减小 Transformer 模型中 KV 缓存的内存占用。GVA 存储分组值,并使用学习到的线性映射来重建键,该键可以在推理过程中集成到查询中。该方法旨在将性能保持在接近分组查询注意力(GQA)的水平,同时显著减小缓存大小,据报道,持久缓存标量减少了 45-47%。该方法以更紧凑的缓存表示实现了接近 GQA 的基准准确性,并且正在开发自定义解码内核以实现更快的推理。 AI
影响 这项研究可能带来更高效的大型语言模型,从而实现更快的推理和更低的内存需求。
排序理由 该集群描述了在学术论文中提出的一种用于优化 Transformer 模型的新方法。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- FineWeb-Edu
- GQA
- Grouped Query Attention
- Grouped Value Attention
- Hugging Face
- KV cache
- Rope
- Transformer
- Vishesh Tripathi
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →