模型架构

分组查询注意力

Grouped-Query Attention (GQA)

让多组查询头共享同一份 Key/Value,省下 KV 缓存的注意力变体。

又称 GQA 分组查询 num_key_value_heads

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

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。

✦举个例子

32 个查询头分成 8 组,KV 缓存只要存 8 份而不是 32 份。

✓实战提示

估算长会话显存时,先看 KV 头数而不是只看参数量。

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