研究人员开发了一种新颖的联合子空间稀疏注意力(JSSA)方法,以提高大型语言模型长上下文解码的效率。JSSA通过学习共享的低维查询-键子空间以获得更好的排序,并采用无收集的索引注意力核来提高效率,从而解决了令牌级选择的挑战。该方法显著提高了解码吞吐量,在128K上下文的NVIDIA B200 GPU上实现了高达6.43倍的性能提升,同时保持了高推理准确性。 AI
影响 增强了LLM在长上下文任务中的效率,可能支持更复杂的应用并降低计算成本。
排序理由 该集群包含一篇详细介绍提高LLM效率的新技术方法的论文。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- GQA
- Hugging Face
- Joint Subspace Sparse Attention
- KV cache
- NVIDIA B200 GPU
- Multi-head Latent Attention
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →