使用 KV 缓存技术的目的是在生成过程中计算过去 tokens 的键和值张量时,将这些张量存储(“缓存”)在 GPU 内存中,从而避免在每个生成步骤中重新计算这些 tokens 的键和值张量。
KV缓存是一种妥协:我们以内存的消耗换取计算量的减少。在这篇文章中,我们将了解 KV 缓存的容量有多大、会带来哪些挑战,以及面对这些挑战最常用的应对策略是什么。
01 KV 缓存的容量有多大?
这相当简单:对于每个 batch 中每个序列的每个token,我们需要为每个注意力层(attention layer)的每个注意力头(attention head)存储两个大小为 d_head 的向量张量(一个键张量和一个值张量)。每个张量参数(tensor parameter)所需的空间取决于精度(precision):全精度(FP32)为 4 字节/参数,半精度(BF16、FP16)为 2 字节/参数,8 位(bit)数据类型(INT8、FP8)为 1 字节/参数,等等。
b 为batch size,t 为序列总长度(包括用户提供的提示词(prompt)以及模型生成的补全部分(completion)&#