MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

AIxiv专栏是本站发布学术、技术内容的栏目。过去数年，本站AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

本文第一作者肖光烜是麻省理工学院电子工程与计算机科学系（mit eecs）的三年级博士生，师从韩松教授，研究方向为深度学习加速，尤其是大型语言模型（llm）的加速算法设计。他在清华大学计算机科学与技术系获得本科学位。他的研究工作广受关注，github上的项目累计获得超过9000颗星，并对业界产生了重要影响。他的主要贡献包括smoothquant和streamingllm，这些技术和理念已被广泛应用，集成到nvidia tensorrt-llm、huggingface及intel neural compressor等平台中。本文的指导老师为韩松教授（https://songhan.mit.edu/）

TL;DR：DuoAttention 通过将大语言模型的注意力头分为检索头（Retrieval Heads，需要完整 KV 缓存）和流式头（Streaming Heads，只需固定量 KV 缓存），大幅提升了长上下文推理的效率，显著减少内存消耗、同时提高解码（Decoding）和预填充（Pre-filling）速度，同时在长短上下文任务中保持了准确率。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

论文链接：https://arxiv.org/abs/2410.10819
项目主页及代码：https://github.com/mit-han-lab/duo-attention

单 GPU 实现 330 万 Token 上下文推理演示视频： MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

随着大语言模型（Large Language Models，LLMs）在各类任务中的广泛应用，尤其是在长上下文（Long-Context）场景中处理海量文本信息，如何在保证模型性能的同时减少内存和计算成本，成为了一个亟待解决的难题。为此，来自 MIT、清华大学、上海交通大学、爱丁堡大学和 NVIDIA 的研究团队联合提出了 DuoAttention 框架。这项创新技术通过对大语言模型的注意力机制（Attention Mechanism）进行精细化设计，极大提高了长上下文推理的效率，并大幅降低了内存需求，在不牺牲模型准确性的前提下，推动了 LLM 在长上下文任务中的发展。

研究背景：长上下文处理的挑战

现代大语言模型（如 Llama、GPT 等）在多轮对话、长文档摘要、视频和视觉信息理解等任务中需要处理大量历史信息，这些任务往往涉及数十万甚至上百万个 token 的上下文信息。例如，处理一篇小说、法律文档或视频转录内容，可能需要分析百万级别的 token。然而，传统的全注意力机制（Full Attention）要求模型中的每个 token 都要关注序列中的所有前序 token，这导致了解码时间线性增加，预填充（Pre-Filling）时间呈二次增长，同时，KV 缓存（Key-Value Cache）的内存消耗也随着上下文长度成线性增长。当上下文达到数百万 token 时，模型的计算负担和内存消耗将达到难以承受的地步。

DuoAttention 的创新设计

针对这一问题，DuoAttention 框架提出了创新性的 “检索头（Retrieval Heads）” 与 “流式头（Streaming Heads）” 的分离方法。这一设计的核心理念是：并非所有的注意力头（Attention Heads）在处理长上下文时都需要保留完整的 KV 缓存。研究团队通过大量实验发现，在长上下文推理任务中，只有一小部分注意力头，即 “检索头”，需要对全部 token 进行关注，以获取上下文中的关键信息。而大多数注意力头，即 “流式头”，只需关注最近的 token 和注意力汇点（Attention Sinks），不需要存储全部的历史 KV 状态。

MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

图 1 展示了在 Llama-2-7B 模型上使用全注意力机制的注意力图（Attention Maps）。从图中可以看到，检索头（Retrieval Heads）捕获了上下文中如 "best"、"fruit" 和 "orange" 等关键信息，这些信息对于处理长上下文至关重要，因而需要完整的 KV 缓存。而流式头（Streaming Heads）则主要关注最近的 token 和注意力汇点，不需要保留所有历史信息。

DuoAttention 的工作原理

^{图 2 说明了 DuoAttention 的基本工作原理。}

框架通过以下几种关键机制来优化推理过程：

检索头的 KV 缓存优化：DuoAttention 为检索头保留完整的 KV 缓存，这些头对长距离依赖信息的捕捉至关重要。如果对这些头的 KV 缓存进行剪裁，将导致模型性能严重下降。因此，检索头需要对上下文中的所有 token 保持 “全注意力（Full Attention）”。
流式头的轻量化 KV 缓存：流式头则主要关注最近的 token 和注意力汇点。这意味着它们只需要一个固定长度的 KV 缓存（Constant-Length KV Cache），从而减少了 KV 缓存对内存的需求。通过这种方式，DuoAttention 能够以较低的计算和内存代价处理长序列，而不会影响模型的推理能力。

MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

检索头的自动识别：为了准确区分哪些头是检索头，DuoAttention 提出了一种轻量化的优化算法，使用合成数据集来训练模型自动识别重要的检索头。这种优化策略通过密码召回任务（Passkey Retrieval），确定哪些注意力头在保留或丢弃 KV 缓存后对模型输出有显著影响。最终，DuoAttention 在推理时根据这一识别结果，为检索头和流式头分别分配不同的 KV 缓存策略。

MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

Remover

几秒钟去除图中不需要的元素

304 查看详情 Remover

^{图 3 展示了 DuoAttention 使用的合成数据集中的一个样例。图 4 展示了 DuoAttention 最终确定 LLM 中各个注意力头的类别。}

性能与准确率实验

为了验证 DuoAttention 框架的有效性，研究团队在多种主流 LLM 架构上进行了广泛的实验评估，包括 Llama-2、Llama-3 和 Mistral 模型。实验不仅测试了 DuoAttention 在内存与计算效率上的提升，还通过长上下文和短上下文任务对模型的准确率进行了全面测试。

1.长上下文任务的评估：在 Needle-in-a-Haystack（NIAH）基准测试中，DuoAttention 在极深的上下文条件下表现卓越，保持了高精度，并在处理 1048K 个 token 的长上下文时，依然能够保持稳定的准确率，而其他方法由于丢失关键信息导致性能下降显著。在 14 个 LongBench 基准测试中，DuoAttention 展现了在不同任务下的强大泛化能力，能够以较低的 KV 缓存预算，提供接近全注意力机制的准确性。在多头注意力模型（MHA）上，DuoAttention 使用 25% 的 KV 缓存预算即可在多数任务中取得与全缓存相当的效果，而在分组查询注意力模型（GQA）上，50% 的 KV 缓存预算即可维持高精度表现。

MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

2.短上下文任务的评估：在 MMLU（多项选择题）、MBPP（编程能力）和 MT-Bench（帮助能力）等短上下文基准上，DuoAttention 也表现出色。在使用 50% 流式头的情况下，DuoAttention 的表现几乎与全注意力机制一致，保持了 LLM 在短文本任务上的原始能力。例如，在 MMLU 基准上，DuoAttention 仅以 0.03% 的差距（79.35% 对比 79.38%）实现了与全注意力机制的相近性能。

内存与效率的提升

内存消耗显著降低：DuoAttention 在多头注意力模型（Multi-Head Attention，MHA）上将内存消耗减少了 2.55 倍，在分组查询注意力模型（Grouped-Query Attention，GQA）上减少了 1.67 倍。这是由于对流式头采用了轻量化的 KV 缓存策略，使得即使在处理百万级别的上下文时，模型的内存占用依然保持在较低水平。
解码（Decoding）和预填充（Pre-Filling）速度提升：DuoAttention 的解码速度在 MHA 模型中提升了 2.18 倍，在 GQA 模型中提升了 1.50 倍。在预填充方面，MHA 和 GQA 模型的速度分别加快了 1.73 倍和 1.63 倍，有效减少了长上下文处理中的预填充时间。

MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理

百万级 token 处理能力：结合 4 比特量化（Quantization）技术， DuoAttention 实现 Llama-3-8B 在单个 A100 GPU 上处理高达 330 万 token 的上下文，这一结果是标准全注意力机制的 6.4 倍。

应用场景与未来展望

DuoAttention 框架为处理长上下文的应用场景带来了巨大的变革，特别是在需要大规模上下文处理的任务中表现突出，包括：

多轮对话系统（Multi-Turn Dialogues）：DuoAttention 使对话模型能够高效处理长时间对话记录，从而更好地理解用户上下文，提升交互体验。
长文档处理与摘要生成：在文档分析、法律文本处理、书籍摘要等任务中，DuoAttention 极大减少内存占用，同时保持高精度，使长文档处理更加可行。
视觉与视频理解：在涉及大量帧的上下文信息处理的视觉和视频任务中，DuoAttention 为视觉语言模型（Visual Language Models，VLMs）提供了高效推理方案，显著提升了处理速度。

研究团队期望 DuoAttention 框架能够继续推动 LLM 在长上下文处理领域的发展，并为更多实际应用场景带来显著提升。

以上就是MIT韩松团队长上下文LLM推理高效框架DuoAttention：单GPU实现330万Token上下文推理的详细内容，更多请关注其它相关文章！

# 是在 # 济源天眼关键词排名 # 漯河关键词优化排名推广 # 网站导航条优化 # seo做淘宝客推广方案 # 南平市网站优化与推广 # 广东手机网站建设代理商 # 云南视频网站优化代理 # 网站推广被罚多少钱一次 # 深圳高端响应式网站建设 # 东莞seo自然排名 # 只需 # 减少了 # 清华大学 # 工程 # 较低 # 文档 # 提出了 # 不需要 # 这一 # 流式 # type # follow # llama # 内存占用 # 邮箱 # ai # git

相关栏目：【 Google疑问12 】【 Facebook疑问10 】【优化推广96088 】【技术知识133117 】【 IDC资讯59369 】【网络运营7196 】【 IT资讯61894 】

2024-10-24

Notion AI怎么写笔记 Notion AI辅助写作及自动摘要生成技巧【教学】 AI一键生成高质量论文大纲 Claude帮你改写和润色文章 Claude写作风格优化技巧怎么用ai创作绘本 AI儿童故事与插画自动生成【秘籍】去哪旅行ai抢票助手怎么查看抢票历史_去哪旅行ai抢票助手历史记录查询与筛选【教程】如何用AI一键去除图片背景？AI自动抠图去底最强工具【实测】 DeepSeek数学建模应用指南 DeepSeek解决复杂问题技巧如何用AI一键扩图补全背景？Photoshop AI生成填充使用技巧【教程】 DeepSeek辅助撰写技术文档方法 DeepSeek开发者必备技巧文心一言官方网站在线入口文心一言在线版使用地址 Kimi国内访问入口_Kimi智能助手网页版链接直达如何用AI生成室内设计效果图？AI装修设计灵感生成指南【教程】 AI一键生成社交媒体自动回复蚂蚁阿福官网网页版入口_电脑端使用医保与健康服务如何用AI一键去视频水印 AI视频无痕去水印软件使用方法【教程】 Claude帮你解读晦涩的学术理论 Claude知识学习助手 Jasper AI怎么写社交媒体帖子 Jasper AI社媒内容创作【攻略】 DeepSeek长代码项目理解与分析 DeepSeek代码库学习方法 DeepSeek进行科学计算教程 DeepSeek物理建模与* AI一键生成短视频分镜头脚本

了解您产品搜索量及市场趋势，制定营销计划

同行竞争及网站分析保障您的广告效果

点击免费数据支持

提交您的需求，1小时内享受我们的专业解答。

运城市盐湖区信雨科技有限公司

运城市盐湖区信雨科技有限公司是一家深耕海外推广领域十年的专业服务商，作为谷歌推广与Facebook广告全球合作伙伴，聚焦外贸企业出海痛点，以数字化营销为核心，提供一站式海外营销解决方案。公司凭借十年行业沉淀与平台官方资源加持，打破传统外贸获客壁垒，助力企业高效开拓全球市场，成为中小企业出海的可靠合作伙伴。