01 详细解释
标准多头注意力要为每个 token 存所有头的 K、V,长上下文下 KV 缓存会吃光显存。MLA 先把 K/V 投影到一个低维隐空间,用时再还原,缓存只需存这一份压缩表示。
效果是把长文本推理的显存占用降一个量级,代价是计算时多一次投影。DeepSeek 系列是这条路线最典型的实现。
把 KV 压成低维隐向量、大幅省显存的注意力变体。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
标准多头注意力要为每个 token 存所有头的 K、V,长上下文下 KV 缓存会吃光显存。MLA 先把 K/V 投影到一个低维隐空间,用时再还原,缓存只需存这一份压缩表示。
效果是把长文本推理的显存占用降一个量级,代价是计算时多一次投影。DeepSeek 系列是这条路线最典型的实现。
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。