linear recurrent aggregation

GLIDE：新的注意力机制提升LLM推理效率

研究人员推出了一种名为GLIDE的新方法，旨在提高大型语言模型（LLM）在推理过程中的效率，尤其是在长上下文生成方面。GLIDE采用了一种引导式层级混合注意力机制，该机制巧妙地结合了滑动窗口softmax注意力和线性循环聚合。该方法利用了LLM中不同层对注意力机制敏感度不同的观察结果，使得GLIDE能够在模型中非均匀地压缩softmax的计算量。其结果是在不牺牲生成输出质量的情况下，显著降低了端到端延迟和KV缓存I/O。