知乎：姜富春（已授权）
链接：https://zhuanlan.zhihu.com/p/16730036197
编辑：「深度学习自然语言处理」公众号

deepseek最近比较出圈，本人也一直关注deepseek发布的一些技术报告。在模型训练、推理性能和计算成本上一直能给大家惊喜。读了deepseek的技术报告，我个人有两个比较强的感受。第一：deepseek在模型细节上扣的比较极致，魔改了一些模型框架（比如模型优化方面： MLA， GRPO，MTP）；第二：工程能力上确实比较强，对于主流的一些框架和技术点能敏捷地整合到自己的系统内（比如：在Infra方面，能看到deepspeed, Megatron，DistServer、vLLM等框架的核心技术点）。后面准备用几篇笔记学习和整理下deepseek的技术。

本文重点讲解下MLA（Multi-Head Latent Attention）

注：我在学习的过程中，通常会有些知识盲点，或掌握不精确的地方，我会递归学习一些扩展的脉络。本文也是沿着一些必要的背景知识，逐层解读下MLH的提出背景、要解决的问题和最终的效果。

MLA主要通过优化KV-cache来减少显存占用，从而提升推理性能。直接抛出这个结论可能不太好理解。首先我们来看下，对于生成模型，一个完整的推理阶段是什么样的，推理性能上有什么问题。

LLM所有细分领域群、投稿群从这里进入！

LLM推理分为两个阶段：prefill阶段和 decode阶段

• prefill阶段：是模型对全部的Prompt tokens一次性并行计算，最终会生成第一个输出token

• decode阶段：每次生成一个token，直到生成EOS（end-of-sequence）token，产出最终的response

在推理过程中，由于模型堆叠了多层transformer，所以核心的计算消耗在Transformer内部，包括MHA，FFN等操作，其中MHA要计算Q，K ，V 矩阵，来做多头注意力的计算。

在LLM生成过程中，是一个基于前向序token列预测下一个token的过程，序列中的token（无论是prefill阶段，还是decode阶段）只与它前面的token交互来计算attention，我们也称这种Attention为Causal Attention。矩阵计算上通过一个下三角的Causal Attention Mask来实现token交互只感知前向序列。如图1所示，展现的Transformer内部的细节：

我们以一个序列的位置的token为例，计算一层Tansformer的attention过程，如列下公式所示：

公式中的符号：表示计算序列中第个token；中的两个下标，前一个表示token位置，后一个表示对应的Head下标。

从公式（7）可以看到，在计算Attention时，位置的只与位置前的 做计算，所以我们有如下两个结论：

1. 计算前面的并不受后面token的影响。

2. 后面计算，，，位置的Attention，要使用前序的1t 位置的的值是始终不变的。

所以为了加速训练和推理的效率，在token-by-token生成过程中，避免重复计算前序的。研究者们提出把前序计算好的缓存起来，这也就是目前主流的KV-cache的机制。KV-cache本质是通过空间换时间的方法。我们知道当前LLM size都比较大，GPU的显存空间也是比较宝贵的，通过显存来保存KV-cache势必会带来访存的瓶颈。换句话说，如果不用KV-cache模型直接计算（重复计算前序），是个计算密集型任务；增加了KV-cache，现在不是通过计算得到，而是从「存储介质」里读出来，GPT内核与存储介质之间要频繁读写，这样就变成了一个访存密集型任务。所以使用了KV-cache的机制，解决的重复计算的问题，但访存的速率也就直接影响到训练和推理的速度。

接下来我们再详细看看对于一个典型的推理架构有几级访存速率，模型推理过程中又有哪些数据要做存储下来，应该如何分配存储。

2.1 访存速率分级

为了直观理解访存的速率，我们以一个分布式推理架构为例。

比如2台机器，每台机器有8张A100， 那么在这样一个系统内，卡内，单机卡间，机器之间的数据访问效率如图3所示。
注：我们的例子中，只描述了一种访存介质HBM (也就是我们常说的显卡的显存)，我们知道通常GPU的存储介质除了显存，还有SRAM和DRAM。SRAM也被成为片上存储，是GPU计算单元上即时访问更快的存储，所有的计算都要先调度到片上存储SRAM才能做计算，一般只有几十M大小，带宽可达到20T/s左右，SRAM是跟计算单元强绑定的，推理阶段一般不考虑将SRAM作为存储单元使用。而DRAM是我们常说的CPU的内存，由于访问速率较慢，推理阶段一般也不考虑使用。所以我们讨论的推理存储介质，一般就指的是HBM（显存）

由上图的访存带宽可知，卡内的带宽是单机卡间的带宽的3倍，是跨机带宽的20倍，所以我们对于存储的数据应该优先放到卡内，其次单机内，最后可能才考虑跨机存储。

接下来我们再看下，推理过程中，有哪些数据要存储到显存上。

2.2. 模型推理阶段显存分配

下面我画了一张图，如图4所示，推理阶段主要有三部分数据会放到显存里。

• KV Cache ：如上一节所述，前序token序列计算的结果，会随着后面tokent推理过程逐步存到显存里。存储的量随着Batch，Sequence_len长度动态变化

• 模型参数：包括Transformer、Embedding等模型参数会存到显存里。模型大小固定后，这个存储空间是固定的。

• 运行时中间数据： 推理过程中产出的一些中间数据会临时存到显存，即用即释放，一般占用空间比较小

由上述可知，推理阶段主要存储消耗是两部分：模型参数和 KV Cache。那么模型参数占多少，KV Cache又占多少？

首先我们先以一个token的计算过程为例，看下一个token计算要存储多少KV？为了方便理解，我们以Qwen-72B模型为例，模型配置详见：Qwen-72B-Chat(https://huggingface.co/Qwen/Qwen-72B-Chat/blob/main/config.json)。

模型共80层，每层有64个Head，每个Head的向量维度是128，，，
注：这里先不考虑qwen 72B GQA的设置（实际KV做了压缩处理），只考虑朴素的MHA的模型结构（假设未做任何处理），GQA后面再详细讨论。

如下图5所示，计算一个token，每个Transformer层的每个Head都要存储一对。

所以针对一个token，缓存的数据总量：其中公式里的表示1个和 1个。一个token就要缓存10240个，这个数是不是有点意料之外！ 这么多占了多少存储呢？ 我们假设模型推理阶段是半精度（bf16）参数，每个参数占2Byte。最终一个token的存储占用，如公式(2)计算所示：我们现在知道了一个Token计算后需要缓存的数量和存储量。那么对于一个实际的推理场景，还要考虑批量Batch（B）和 序列长度Sequence_len(S) 两个维度，来确认整体KV Cache的存储消耗。这两个维度通常是可以动态变化的。我们看看下面两个场景：

场景1：单条短文本场景

Batch和序列设置： B = 1 ， S = 2048。此时 cache总量：

场景2：并发长文本场景

Batch和序列设置： B = 32 ， S = 4096。此时 cache总量：

除了消耗存储空间，我们知道模型参数也要占用存储，推理阶段模型参数占用的存储空间是固定的，计算也比较简单。假设模型参数量为： ，以bf16 半精度做推理，则参数量为（Byte）。还是以qwen-72B为例，参数占用存储空间：

我们再结合上面两个场景，看看显存的整体分配：

• 场景1： 模型存储，kv存储，模型的参数储存占主导，使用80G的A100， 至少需要2张卡做推理。

  

• 场景2：模型存储，kv存储，KV Cache储存占主导，使用80G的A100， 至少需要7张卡做推理。

这里还要多啰嗦几句，推理阶段根据离线、在线的业务场景，到底组多大的Batch，其实是一个Balance的过程，Batch选择比较小，虽然并发度不高，但可能单卡就能装下完整模型参数和KV Cache，这时候卡内带宽会比较高，性能可能依然出众，可以考虑适当增加Batch把单卡显存用满，进一步提升性能。但当Batch再增大，超出单卡范围、甚至超出单机范围，此时并发会比较大，但跨卡或跨机访存性能会降低，导致访存成为瓶颈，GPU计算资源使用效率不高，可能实际导致整体推理性能不高。所以单从推理Batch设置角度来看，要实测找到性能最佳的平衡点。

当前LLM都比较大，而访存的容量和访存速率有分级的特点。所以推理过程中，减少跨卡、卡机的访存读写是优化推理性能的一个有效路径。一方面单次读写的数据越少，整体速度会越快；另一方面整体显存占用越少，就能尽量把数据放到单卡或单机上，能使用更高的带宽读写数据。

本文要学习的MLA就是通过减少KV Cache来压缩显存占用，从而优化推理速度。我们在展开了解MLA之前，先看看当前有哪些优化KV Cache的方法。

3.1. KV Cache 优化方法汇总

业界针对KV Cache的优化，衍生出很多方法，这里我根据自己的积累，稍微总结下，只简单描述优化的思路，不过多展开。

方法主要有四类：

1. 共享KV：多个Head共享使用1组KV，将原来每个Head一个KV，变成1组Head一个KV，来压缩KV的存储。代表方法：GQA，MQA等

2. 窗口KV：针对长序列控制一个计算KV的窗口，KV cache只保存窗口内的结果（窗口长度远小于序列长度），超出窗口的KV会被丢弃，通过这种方法能减少KV的存储，当然也会损失一定的长文推理效果。代表方法：Longformer等

3. 量化压缩：基于量化的方法，通过更低的Bit位来保存KV，将单KV结果进一步压缩，代表方法：INT8等

4. 计算优化：通过优化计算过程，减少访存换入换出的次数，让更多计算在片上存储SRAM进行，以提升推理性能，代表方法：flashAttention等

本文要讨论的MLA是共享KV分支下的一种优化方法，下面我们先展开看看共享KV方法有哪些，这些方法也是MLA拿来对比的方法。

3.2. 共享KV优化显存方法

共享KV主要有两种方法，MQA和GQA都是Google提出的，详见： MQA(2019)，GQA(2023)，如图6所示。

3.2.1. MQA（Multi-Query Attention）

MQA方法比较简单，详见上图6最右侧的图，每一层的所有Head，共享同一个来计算Attention。相对于MHA的单个Token需要保存的KV数（）减少到了（）个，即每一层共享使用一个向量和一个向量

3.2.2. GQA（Group-Query Attention）

GQA是平衡了MQA和MHA的一种折中的方法，不是每个Head一个KV，也不是所有Head共享一个KV，而是对所有Head分组，比如分组数为，那么每组：个Head 共享一个KV。当时，GQA就等价于MQA，当时，GQA就等价于MHA。

为了方便自己更清晰的理解GQA和MQA ，我还是以一个Token计算KV过程（如图5），画了一些相对细节展开的图，把所有层都画出来，并且加了一些注释。如图7所示：

我们再总结下单token计算下，几种方法KV Cache的存储量（模型层数：，每层Head数量：）

• MHA共缓存 个

• MQA共缓存 个

• GQA共缓存 个 ，是分组数，，一般取值能被整除

本文要讲的MLA也是一种优化共享KV优化的变体，下面我们看看MLA的原理和细节

4.1. MLA KV优化速览

我们先走马观花看看MLA的计算方式和与MQA、GQA的压缩KV的效果对比。

首先我们看看MLA计算Attention的完整公式，如下图8所示

在论文中提到，每个Transformer层，只缓存了上述公式蓝框的向量： 和 ，这两个向量的大小分别为：

: 维度为

：维度为

对比MQA（每层有一个维度的和一个维度的，共个元素），MLA相当于增加了2.25倍的存储，但DeepSeek描述自己的方法不仅比MQA强，而且比非共享KV的原始MHA也要强，后面4.4节我们在展开讨论。

MLA号称又快又省又强大，下一节我们逐步看看具体的实现。

4.2. MLA原理解读

下面我们参照图8的公式看看MHA的计算过程，首先对图中公式的变量做如下解释说明：

• ：MLA低秩压缩的维度，论文中取值：

• ：是单个head的向量维度

• ：是每层head的数量

• ：隐层维度，

• 是低秩变换矩阵

1. 先看下KV的计算过程

• 首先公式（41）对输入做一个低秩压缩，将维的输入经过变换后压缩成维的。DeepSeek-V3中，

• 然后通过公式（42）和公式（45）两个变换矩阵（，），将KV的维度扩展回，也就是每个Head有一个单独的（跟MHA的KV数量一致）

注：经过上述的变换，非常类似LoRA做低参数微调的逻辑。通过两个低秩矩阵先做压缩、再做扩展，最终能降低参数的数量。但MLA本质是要做到减少KV-cache的存储。LoRA强调的是参数量的减少，类似MLA这操作确实也减少了参数量，按DeepSeek-V3的参数配置，两个低秩矩阵参数量：，而正常MHA的参数矩阵参数量：。但MLA强调的是KV-cache的减少，也就是KV的激活值减少。当前我们还看不出来怎么减少激活值的数量的，因为单从KV的数量和维度上看跟MHA是一个量级，比GQA和MQA都要多，同时计算又多了一步。当前是比较迷糊的...我们再往下继续看...

2. 再看下Q的计算过程

公式（37），（38）类似KV的逻辑，通过两个矩阵（，）也做了一层低秩变换，这一步Q的变换看着趋是为了减少模型的参数的数量。在Deepseek-V3里。是KV压缩维度的3倍。但相对于还是压缩了不少。

3. 增加Rope位置编码

• 我们注意到在增加RoPE位置编码并没有在上述计算出的，的基础上乘以Rope的对角矩阵。而是单独计算了两个带着位置编码的，如公式（39）和公式（43）所示

注意这里计算带RoPE的，有两个细节：
(1) ，的向量维度是个比较小的维度，DeepSeek设置为单Attention Head维度的一半：
(2) 这部分计算的实际是个MQA的计算方式，同一层中，所有的Head共享同一个

• 然后按如下公式（40），（44）跟已经计算的，拼接，构成完整的，向量。

注：这里的下标表示Attention Head的索引

所以到目前为止，我们得到的包括两部分拼接而成：一部分是做了低秩压缩得到的向量，一部分是增加了RoPE位置编码的向量。（后面这部分向量是基于MQA方式计算得到的，所有Head共享1个）。

如何理解上述的操作过程？这也是MLA方法的核心。

我们先来看看DeepSeek-V2论文中有一段原文解释（中文翻译）：

位置编码使用RoPE，但RoPE与低秩KV不兼容。具体来说，RoPE对Q和K都是位置敏感的。如果我们为应用RoPE，那么公式（42）的（K的权重矩阵）将与位置敏感的RoPE矩阵耦合。因此，在推理过程中，无法再被吸收到（Q的权重矩阵）中，因为与当前生成的token相关的RoPE矩阵将位于和之间，而矩阵乘法不满足交换律。因此，我们必须在推理过程中重新计算所有前缀token的k，这将极大地降低推理效率。

论文中提到了「矩阵吸收计算」，这个概念对理解MLA比较重要，我们用一个简单的例子理解下：

假设有两个向量变量都是3维的向量。有两个固定的变换矩阵分别对做线性变换得到新的向量。最终求两个向量的乘积。
方法1： 常规计算方法2：矩阵吸收计算
我们知道矩阵乘法是满足结合律的，对于公式（c）我们可以先计算好两个变换矩阵的乘积：然后通过与相乘，计算出，而则不做任何操作再计算和 乘积

通过上面的例子我们可以看到，两种方法计算出的结果是一样的，但第二种方法是先做了矩阵乘法，相当于把的变换矩阵吸收到了的变换矩阵里。

理解了上面的例子，我们再来看看原文说的「RoPE与低秩KV不兼容，没法做矩阵吸收计算」的问题。

a) 不加RoPE

我们先假设当前不增加RoPE，那么乘积计算如下，其中表示变换矩阵第个Head的切片：不加RoPE，我们可以提前计算好，也就上面说的吸收到中，这样在做的变换的时候，也就同时计算了矩阵的乘法。

这样的好处是，我们只需要缓存，而不是缓存的结果。维度只有的长度，而是个 的变换，也就是完全恢复了隐层的维度 (DeepSeek-v3 配置为64)。这也是MLA的压缩KV Cache的核心原理。

b) 现在假设增加RoPE

我们再看看，加上Rope后，计算乘积，会在和之间，增加一个融合了相对位置的变量，如公式（2）所示：

中间这个分量是随这相对位置变化而变化的，并不是个固定的矩阵，因此并不能提前计算好。所以论文中说RoPE与低秩变换不兼容。

c）通过增加一个很小分量，引入RoPE

为了引入位置编码，作者在一个很小维度下，用MQA方式计算了，也就是在每层网络中，所有Head只计算一个（如论文中公式43所示）。引入位置编码的向量维度取的比较小为：。

所以最终向量通过两部分拼接而成，计算权重时，由前后两部分分别相乘再相加得到，如下公式（8）所示：前一项 按公式（6）计算，通过矩阵吸收处理，全Head只缓存一个，后一项 按正常MQA的方式计算，全Head只缓存了一个共享。

通过类似的计算方式，可以处理将的变换矩阵吸收到最终的结果变换矩阵中，这样也不用实际计算和缓存的值。而是只缓存跟一样的 即可，详细推导与上述类似，不过多赘述。

上面我们就完整介绍了MLA做KV Cache压缩的原理。我们再来回顾下，MLA实际缓存的向量（如图8蓝色框），维度如下：

• ：维度为

• ：维度为

是低秩压缩的向量，是引入位置编码的MQA范式计算的共享

注：原理篇其实苏神已经解释的非常清晰了（详见：缓存与效果的极限拉扯：从MHA、MQA、GQA到MLA - 科学空间|Scientific Spaces），本文原理的部分也基本按苏神的逻辑概述下关键思路，感谢苏神的分享

4.3. MLA与MQA、GQA对比

最后我们再简单看看几种方法的对比，直接截取DeepSeeku-V2论文的图，如下：

从上图我们可以看到，虽然MLA缓存的Latent KV比较短（相当于2.25个MQA的缓存量），但MLA有恢复全的能力，特征表达能力显著比GQA、MQA要强。所以MLA能做到又快又省又强。论文中也给出了下图的数据

注：图中能力的比较上，描述比MHA更强我比较存疑，并没看到有消融的实验对比，也不太好从原理上解释。

本文试图通过引入更多基础知识和辅助信息，来深入理解MLA。内容比较长，可能觉得比较啰嗦。这是本人在理解MLA过程递归总结的一些扩展信息，最终整理了一个系统的脉络，发出来供大家参考。

[1]deepseek-v1:https://arxiv.org/pdf/2401.02954
[2]deepseek-v2:https://arxiv.org/pdf/2405.04434
[3]deepseek-v3:https://arxiv.org/pdf/2412.19437
[4]缓存与效果的极限拉扯：从MHA、MQA、GQA到MLA - 科学空间|Scientific Spaces(https://spaces.ac.cn/archives/10091)
[5]https://zhuanlan.zhihu.com/p/659770503
[6]GQA:https://arxiv.org/pdf/2305.13245
[7]MQA:https://arxiv.org/pdf/1911.02150

个人水平有限，欢迎指正~

---

备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群

id：DLNLPer，记得备注呦