01 详细解释
标准注意力会生成一张 N×N 的中间矩阵,序列一长,显存和带宽立刻成为瓶颈。FlashAttention 用分块计算加重计算,避免把整张矩阵写进显存,速度更快、能支持的上下文也更长。
它对模型效果零影响,属于纯工程优化。所以推理框架更新日志里常写「接入 FA2,长上下文吞吐提升 X%」——那不是模型变强了,是同样的计算跑得更省。
不改数学结果、只改显存读写方式的注意力加速算法。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
标准注意力会生成一张 N×N 的中间矩阵,序列一长,显存和带宽立刻成为瓶颈。FlashAttention 用分块计算加重计算,避免把整张矩阵写进显存,速度更快、能支持的上下文也更长。
它对模型效果零影响,属于纯工程优化。所以推理框架更新日志里常写「接入 FA2,长上下文吞吐提升 X%」——那不是模型变强了,是同样的计算跑得更省。
同样是 32K 上下文,开启 FA2 后显存占用下降,批量能多塞几路请求。
升级推理框架时优先看长上下文场景的吞吐与显存,短请求收益往往不明显。
厂商说「用了 GQA」「换成 MoE」「支持百万上下文」时,指的都是这一层的设计。不必会推导公式,但要知道改动影响的是显存、速度还是表达能力。