模型架构

FlashAttention

不改数学结果、只改显存读写方式的注意力加速算法。

又称 FA2 FlashAttention-2 IO 感知注意力

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

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。

✦举个例子

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。

✓实战提示

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。

02 什么时候会碰到它
读模型卡、选型或看论文结构时

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。

03 和这几个词怎么区分
04 接着读这几篇

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活