模型架构

多头潜在注意力

Multi-head Latent Attention (MLA)

把 KV 压成低维隐向量、大幅省显存的注意力变体。

又称 MLA 潜在注意力

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。

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