20260329筆記 內容可能有錯誤，請參考原始影片

[李宏毅 加快語言模型生成速度 (1/2)：Flash Attention](https://www.youtube.com/watch?v=vXb2QYOUzl4)

[李宏毅 加快語言模型生成速度 (2/2)：KV Cache](https://www.youtube.com/watch?v=fDQaadKysSA&t=68s)

### 加快語言模型生成速度 (1/2)：Flash Attention 大綱

1. **LLM推論加速的挑戰與 Flash Attention 之定位**
2. **GPU 記憶體階層與 I/O 瓶頸**
3. **傳統 Attention 機制的運算困境：數值穩定與反覆讀寫**
4. **Flash Attention 的核心數學重構：動態修正與單趟掃描**
5. **極致記憶體最佳化：跳過注意力權重矩陣 ($\hat{A}$) 的計算**
6. **實驗和物理極限**

---

### 1. LLM推論加速的挑戰與 Flash Attention 之定位
在探討 LLM 的推論加速時，往往需要面臨效能與準確度之間的取捨。許多加速技術通常伴隨著代價，例如採用近似演算法 導致計算結果出現偏差，或是必須對特定模型進行客製化綁定與重新訓練。但是發表於 2022 年的 Flash Attention 突破了這個限制，它是一項隨插即用的技術，而且不會改變 Self-Attention 的計算結果，能在不犧牲任何精確度的前提下加速。

論文連結: https://arxiv.org/abs/2205.14135

### 2. GPU 記憶體階層與 I/O 瓶頸
Flash Attention 考慮到 GPU 運算的底層邏輯。在 GPU 架構中，運算單元具備很快的處理速度，但設置的「工作台」——晶片內建的 SRAM 容量非常小。
而且語言模型推論時所需的大量資料 (如 Query, Key, Value 矩陣) 只能存放在容量龐大但讀寫速度較慢的 HBM (High Bandwidth Memory) 中。所以我們發現運算的真正瓶頸並非算力不足，而是頻繁將資料於 HBM 與 SRAM 之間來回搬運所產生的 I/O 延遲。


### 3. 傳統 Attention 機制的運算困境：數值穩定與反覆讀寫
在傳統的 Self-Attention 運算中，為了防止 Softmax 函數在進行指數運算 ($e^x$) 時發生數值溢位 (Overflow)，必須找出整排數值中的最大值 ($A_{max}$)，並將所有數值減去該最大值。
由於 SRAM 無法一次容納與序列長度 ($L$) 呈正相關的龐大矩陣，系統必須將資料切分成多個區塊 (Chunk) 分批載入。這導致了傳統演算法必須進行多次的 HBM 讀寫循環：
1. **第一趟讀取**：掃描所有區塊以找出全域最大值 $A_{max}$。


3. **第二趟讀取**：再次載入資料，計算每個數值減去 $A_{max}$ 後的指數總和 (即 Softmax 的分母)。


5. **第三趟讀取**：將算好的標準化注意力權重與 Value ($V$) 矩陣進行乘加運算 (Weighted Sum)，得出最終輸出。
這種反覆讀取與寫入嚴重拖慢了推論效能。


### 4. Flash Attention 的核心數學重構：動態修正與單趟掃描
Flash Attention 透過數學等價轉換，將多次讀寫簡化。其核心概念為「將錯就錯，動態修正」：
當系統讀入第一個 Chunk 時，會先將該區塊的區域最大值 $d_1$ 假定為全域最大值，並計算出一個暫時的指數總和 $S_1$。當讀入下一個 Chunk 且發現更大的數值 $d_2$ 時，演算法無需回頭重新讀取舊資料，而是直接對舊有的總和 $S_1$ 乘上一個修正項 $e^{d_1 - d_2}$。
透過這個一巧妙的數學補償機制，舊有的計算結果便能瞬間轉換為以 $d_2$ 為基準的數值，從而在單向掃描資料的過程中，同時確保最大值與分母總和的正確性。


### 5. 極致記憶體最佳化：跳過注意力權重矩陣 ($\hat{A}$) 計算
Flash Attention 最具突破性的設計，在於它選擇直接跳過計算出完整的注意力權重矩陣 ($\hat{A}$)。
演算法會在處理每個 Chunk 時，利用前面提到的動態修正技巧，一起對中間的輸出結果 $O_1$ 進行數學修正：將舊的輸出乘上 $S_1/S_2$ 以及指數差 $e^{d_1 - d_2}$ 來彌平誤差，隨即疊加新 Chunk 的計算結果，太聰明了吧。

系統不斷在更新並累加最終的輸出 $O$，在整個計算過程中，那張龐大的 Attention Matrix 從來在記憶體中被真正建立。所以在實作中試圖讀取 Attention Weights，系統將會報錯，因為這個矩陣根本不存在。


### 6. 實驗與物理極限
李宏毅老師在實驗中，比較 Flash Attention 計算出的數值與傳統方法之間的差異極小 (約為 $10^{-7}$ )，證實了無損精確度的特性。在執行時間上，當輸入序列長度達到 4096 時，Flash Attention 可提供高達約 9 倍的加速效能。

目前這個技術已成為像是 PyTorch 中 `scaled_dot_product_attention` 模組的預設選項。

但這技術在輸入很短的狀況下，由於推論時間多耗費在 Embedding 轉換等其他運算上，Flash Attention 帶來的加速效益並不明顯。這個外就算 Flash Attention 解決了 SRAM 的工作瓶頸，當面對超長的輸入，龐大的快取仍會撐爆 HBM 倉庫的容量極限，引發 Out of Memory (OOM) 錯誤。




### 加快語言模型生成速度 (2/2)：KV Cache 大綱

1. **語言模型推論的兩階段和 KV Cache **
- Prefill 與 Decode 階段之差異
- 避免冗餘運算：儲存 Key (K) 與 Value (V) 的必要性
2. **KV Cache 引發的 OOM (Out of Memory) 危機**
- 記憶體消耗的數學實證（以 LLaMA-2 27B 為例）
3. **架構層級的記憶體妥協：從 MHA、MQA 到 GQA**
- 多頭注意力 (MHA) 的空間代價
- 共享機制：Multi-Query Attention 與 Group-Query Attention 的權衡
4. **極致的空間壓縮演算法：Multi-Head Latent Attention (MLA)**
- 潛在空間 (Latent Space) 的降維投影
- 數學等價轉換：無須解壓縮的注意力計算
5. **Sliding Window 與 Streaming LLM**
- 滑動視窗注意力 (Sliding Window Attention) 的侷限
- 注意力沉澱 (Attention Sink) 現象與 Streaming LLM 的解法
6. **KV Cache Pruning**
- 稀疏注意力分佈的觀察 (如 Scissorhands, H2O)
- 捨棄邊緣記憶以換取空間
7. **Prompt Caching (前綴匹配機制)**
- 系統提示詞 (System Prompt) 工程學：靜態置頂、動態置底
- 降低 API 呼叫成本的實證

8. **總結：推論加速技術的權衡**

---

### 1. 語言模型推論的兩階段與 KV Cache
LLM 的文字生成過程，在系統架構上可以分成為兩個階段：首先是處理人類輸入 Prompt 的 **Prefill 階段**，這個階段會平行運算所有 Token 的 Query (Q)、Key (K) 與 Value (V)；接著進入逐字生成的 **Decode 階段**。
在 Decode 階段，每生成一個新 Token，傳統作法需要與歷史序列重新計算注意力權重，這會引發很大的冗餘運算。所以我們需要**KV Cache** ，系統只需要幫新生成的 Token 計算自身的 Q、K、V，再把 Q 與過去「已經存下來的 K」進行運算，再對「已經存下來的 V」進行加權總和。在這個機制中，只有 K 與 V 需要被寫入記憶體留存，因為 Q 的任務在完成當下的注意力配對後便已結束，不需被儲存。

### 2. 硬體記憶體瓶頸：KV Cache 引發的 OOM 危機
雖然 KV Cache 大幅減少了算力消耗，但卻對 GPU 的 HBM 造成了極大的儲存壓力。
以 LLaMA-2 27B 網路架構為例，若模型具有 46 層網路、32 個 Attention Head，且每個 Head 維度為 128，在使用 FP16 精度 (每個數值佔 2 Bytes) 的情況下，每生成一個 Token，系統需消耗的 KV Cache 容量約為 0.72 MB ($46 \times 32 \times 128 \times 2 \times 2$)。若在配備 80GB 記憶體的 A100 GPU 上運行，其實際僅能容納約 11.4 萬個 Token。面對當前動輒數十萬 Token 的長文本需求，龐大的 KV Cache 會輕易撐爆硬體，導致 Out of Memory (OOM) 錯誤。


### 3. 架構層級的記憶體妥協：從 MHA、MQA 到 GQA
為了降低 KV Cache 的體積，需要對傳統的多頭注意力機制 (Multi-Head Attention, MHA) 進行了架構上的調整。
* **Multi-Query Attention (MQA)**：強制所有的 Query 共用「同一組」K 與 V，以極大化壓縮記憶體空間，但這個會嚴重限縮模型的多樣性表達，導致效能下降。
* **Group-Query Attention (GQA)**：作為 MHA 與 MQA 的折衷方案，將多個 Query 劃分為一組，同組內的 Query 共用一組 K 與 V。這個方法在縮減快取體積的同時，維持了與 MHA 相當的推論品質，目前已廣泛應用於 LLaMA 等主流模型中。


### 4. 極致的空間壓縮演算法：Multi-Head Latent Attention (MLA)
DeepSeek 等模型採用了更為精妙的降維壓縮技術——MLA。這個技術透過 Bottleneck Layer ，將龐大的 K 與 V 壓縮成一個極低維度的潛在向量 $C$ 存入 KV Cache。
但 MLA 最具突破性的設計在於其**無須解壓縮**的數學特性。在傳統直覺中，若要在注意力計算時還原特徵，必須耗費龐大算力將 $C$ 解壓縮回高維矩陣。但是透過線性代數的結合律轉換，系統可將解壓縮矩陣 ($W_k$) 的轉置操作直接與新輸入的 Query 相乘 ($Q \cdot W_k^T$)，隨後再與壓縮狀態的 $C$ 進行內積。同理，在 Value 的加權總和階段，也可直接在潛在空間 ($C$) 中進行運算，最後僅需進行一次解壓縮即可得出結果。用最少的空間與算力完成等價的 Attention 運算。


### 5.Sliding Window 與 Streaming LLM
* **Sliding Window Attention**：強制模型僅對距離最近的固定數量 Token (例如 4096 個) 進行注意力計算，確保 KV Cache 的大小有物理上限。然而，當序列長度超出訓練時的視窗大小時，模型的困惑度 (Perplexity) 會瞬間飆高，導致生成品質崩壞。


* **Streaming LLM**：研究發現，模型在運算 Attention 時，若沒有特別需要關注的內容，會將注意力權重預設傾注於「序列中最開頭的第一個 Token」( Attention Sink)。如果 Sliding Window 無意間丟棄了第一個 Token，模型的運作邏輯便會崩潰。所以 Streaming LLM 主張在滑動視窗之外，永遠強制保留最開頭的數個 Token，這個無須重新訓練模型，也可以讓模型穩定處理長文本輸入。


### 6. 動態記憶體修剪技術：KV Cache Pruning
由於多數序列中的 Token 在後續生成中極少被再次關注，學界提出了 KV Pruning 技術 (如 Scissorhands 與 H2O)。透過分析注意力分佈，研究證實多數 Token 的 K 與 V 只是佔用空間的無效資訊。藉由演算法動態剔除這些未被關注的歷史紀錄，系統甚至能在捨棄高達 80% K 與 V 的極端情況下 (壓縮 5 倍)，維持原本的任務表現。


### 7. 跨對話的商業實務：Prompt Caching (前綴匹配機制)
KV Cache 不僅應用於單一生成任務，更可擴展至**跨對話 (Cross-session)** 的快取共用。
當兩個不同的對話擁有完全相同的「前綴 (Prefix)」時，它們所對應算出的 K 與 V 也是完全一致的，可直接轉移使用。然而，一旦前綴有任何微小差異 (如更換單詞)，後續的 KV Cache 就會被破壞且無法共用。



在使用 AI Agent 時，**系統提示詞 (System Prompt) 的排列工程**很重要：可以把絕對靜態的內容 (如角色設定、可用工具清單) 放置於 Prompt 最前端，而將動態變數 (如當下時間、特定地點查詢) 放在末端。這個策略可最大化命中快取 (Cache Hit)。


### 8. 總結：推論加速技術的代價光譜
語言模型推論加速是一場空間、時間與模型準確度的權衡：
* **Flash Attention**：無損而且不用重頭訓練，透過優化 GPU I/O 換取時間。
* **KV Cache**：無損且無須重頭訓練，透過佔用龐大記憶體空間以換取時間。
* **MQA / GQA / MLA**：架構層級變更，會改變原始 Attention 機制並需要從頭訓練模型，來換取 KV Cache 的空間縮減。
* **Sliding Window / Streaming LLM / KV Pruning**：改變了注意力計算範圍或捨棄部分記憶，部分方法可以不用重頭訓練直接應用，但極端情況下可能損害模型表現。
* **Speculative Decoding (投機解碼)**：使用小模型輔助大模型生成，無損而且不用重新訓練大模型，但代價是需消耗執行小模型的額外算力。