dexblog.ro
Acces rapid: Învață AI Învață Programare Specificații Dispozitive Comparații
LLM Toți termenii

Ce este Grouped-Query Attention (GQA): Reducerea Memoriei KV Cache prin Partajarea Capetelor?

Arhitectură și Mecanisme de Atenție Llama 3 / Mistral Q&A AI / Distribuie cod

Compresia memoriei de atenție la generare prin atribuirea mai multor capete Query aceluiași cap Key-Value.

Denumire completă

num_attention_heads = 32 num_key_value_heads = 8 # Raport 4:1 (GQA)

În timp ce Multi-Head Attention (MHA) are un număr egal de capete Q, K, V, GQA grupează câte 4 sau 8 capete Query pentru o singură pereche Key-Value, reducând dimensiunea KV Cache-ului de 4-8 ori.

Schema de grupare

Capete Q: [Q1, Q2, Q3, Q4] -> Partajează perechea: [K1, V1]
Capete Q: [Q5, Q6, Q7, Q8] -> Partajează perechea: [K2, V2]

Păstrează calitatea MHA cu viteza și economia de memorie a MQA.

Învață AI • Comunitate & Q&A

Întrebări & Discuții: Grouped-Query Attention (GQA): Reducerea Memoriei KV Cache prin Partajarea Capetelor

Ai o întrebare despre Grouped-Query Attention (GQA): Reducerea Memoriei KV Cache prin Partajarea Capetelor sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!

🤖

Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!

Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.

Comunitate AI Adaugă o întrebare sau distribuie un cod / prompt

Moderare & Siguranță:

Pentru a menține calitatea și securitatea informațiilor, fiecare întrebare sau fragment de cod/prompt este analizat (manual sau prin moderare asistată de AI) înainte de publicare.