DeepSeek代碼開源第一彈Flash MLA，揭秘大模型訓練低成本關(guān)鍵快訊
通過KV壓縮、低秩降維等技術(shù)實現(xiàn)高效長序列處理與資源優(yōu)化，顯著減少了大模型訓練和推理過程中的內(nèi)存占用 今天開源的MLA是DeepSeek在注意力機制上的重要創(chuàng)新，今天DeepSeek開源首個代碼庫Flash MLA。
【TechWeb】2月24日消息，隨著DeepSeek大模型開源引發(fā)全球熱潮后，2月21日DeepSeek在社交平臺X發(fā)文稱，這周起會陸續(xù)開源5個代碼庫。
今天DeepSeek開源首個代碼庫Flash MLA，引發(fā)極大關(guān)注，截至目前github Star星數(shù)已經(jīng)超過4.5k。
Flash MLA是DeepSeek針對英偉達Hopper GPU優(yōu)化的高效MLA解碼內(nèi)核，其特別針對可變長度序列作了優(yōu)化，現(xiàn)已投入生產(chǎn)。
FlashMLA的使用基準為：Hopper GPU、CUDA 12.3及以上版本、PyTorch 2.0及以上版本。
經(jīng)實測，F(xiàn)lashMLA在H800 SXM5平臺上（CUDA 12.6），在內(nèi)存受限配置下可達最高3000GB/s，在計算受限配置下可達峰值580 TFLOPS。
這種優(yōu)化可以確保FlashMLA在高性能硬件上有效地處理大語言模型和其他AI應用程序的密集計算需求。
目前已經(jīng)發(fā)布的內(nèi)容包括：采用BF16，塊大小為64的分頁kvcache（鍵值緩存）。
團隊在致謝部分表示，F(xiàn)lashMLA的設計參考了FlashAttention 2&3以及CUTLASS的技術(shù)實現(xiàn)。
資料顯示，F(xiàn)lashAttention 是一種針對Transformer模型注意力計算的高效優(yōu)化算法，由斯坦福團隊于2022年提出，核心目標是通過硬件感知的內(nèi)存管理和計算流程重構(gòu)，顯著降低長序列處理時的顯存占用與計算延遲。
CUTLASS（CUDA Templates for Linear Algebra Subroutines）是NVIDIA推出的開源高性能計算庫，專為GPU加速的線性代數(shù)計算（尤其是矩陣乘法和卷積）設計。其核心目標是通過模塊化模板和硬件級優(yōu)化，為開發(fā)者提供靈活、高效的底層計算內(nèi)核，支撐AI訓練、科學計算與圖形渲染等領(lǐng)域。
根據(jù)DeepSeek過往提交的論文，DeepSeek大模型訓練成本大幅下降有兩項關(guān)鍵技術(shù)，一是MoE，另一個就是今天開源的MLA（多頭潛注意力）。
DeepSeek的成本涉及兩項關(guān)鍵的技術(shù)：一個是MoE，一個就是MLA（Multi-head Latent Attention，多頭潛注意力）。
MLA旨在優(yōu)化傳統(tǒng)Transformer架構(gòu)的效率與性能，其核心原理包括：
KV壓縮與潛在變量：將鍵（Key）和值（Value）聯(lián)合壓縮為低維潛在向量，顯著減少推理時的KV緩存，降低內(nèi)存占用。計算時通過升維恢復原始信息，平衡壓縮效率與計算精度。
低秩降維技術(shù)：對查詢（Queries）進行低秩壓縮（降維后再升維），減少訓練中的激活內(nèi)存（activation memory），但需注意此操作不影響KV緩存。
動態(tài)序列處理：針對可變長度輸入序列優(yōu)化，支持高效處理不同長度的句子（如長文本對話場景）。
MLA可將每個查詢KV緩存量減少93.3%，顯著減少了大模型訓練和推理過程中的內(nèi)存占用
今天開源的MLA是DeepSeek在注意力機制上的重要創(chuàng)新，通過KV壓縮、低秩降維等技術(shù)實現(xiàn)高效長序列處理與資源優(yōu)化，成為其模型性能領(lǐng)先的關(guān)鍵技術(shù)之一。
本周后續(xù)，DeepSeek還將陸續(xù)開源4個代碼庫，期待一下！（宜月）
1.TMT觀察網(wǎng)遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會明確標注作者和來源；
2.TMT觀察網(wǎng)的原創(chuàng)文章，請轉(zhuǎn)載時務必注明文章作者和"來源：TMT觀察網(wǎng)"，不尊重原創(chuàng)的行為TMT觀察網(wǎng)或?qū)⒆肪控熑危?br>
3.作者投稿可能會經(jīng)TMT觀察網(wǎng)編輯修改或補充。
