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。
- 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：
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。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。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。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。 图 2 说明了 DuoAttention 的基本工作原理。
- 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。
- 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。
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。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。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。
- 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。
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。
