01 详细解释
多头注意力里每个头都有自己的 K/V;GQA 把查询头分组,组内共用一组 K/V,介于「每头一份(MHA)」和「全体共用一份(MQA)」之间。KV 缓存因此能小好几倍,长对话、高并发时尤其关键。
这是近两年开源模型几乎标配的选择:略微牺牲一点表达能力,换来推理成本大幅下降。看配置里的 num_key_value_heads 就知道它用了哪档。
让多组查询头共享同一份 Key/Value,省下 KV 缓存的注意力变体。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
多头注意力里每个头都有自己的 K/V;GQA 把查询头分组,组内共用一组 K/V,介于「每头一份(MHA)」和「全体共用一份(MQA)」之间。KV 缓存因此能小好几倍,长对话、高并发时尤其关键。
这是近两年开源模型几乎标配的选择:略微牺牲一点表达能力,换来推理成本大幅下降。看配置里的 num_key_value_heads 就知道它用了哪档。
32 个查询头分成 8 组,KV 缓存只要存 8 份而不是 32 份。
估算长会话显存时,先看 KV 头数而不是只看参数量。
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。