|
|
2月24日消息，随着DeepSeek大模型开源引发全球热潮后，2月21日DeepSeek在社交平台X发文称，这周起会陆续开源5个代码库。
今天DeepSeek开源首个代码库Flash MLA，引发极大关注，截至目前github Star星数已经超过4.5k。
Flash MLA是DeepSeek针对英伟达Hopper GPU优化的高效MLA解码内核，其特别针对可变长度序列作了优化，现已投入生产。
FlashMLA的使用基准为：Hopper GPU、CUDA 12.3及以上版本、PyTorch 2.0及以上版本。
经实测，FlashMLA在H800 SXM5平台上（CUDA 12.6），在内存受限配置下可达最高3000GB/s，在计算受限配置下可达峰值580 TFLOPS。
这种优化可以确保FlashMLA在高性能硬件上有效地处理大语言模型和其他AI应用程序的密集计算需求。
目前已经发布的内容包括：采用BF16，块大小为64的分页kvcache（键值缓存）。
团队在致谢部分表示，FlashMLA的设计参考了FlashAttention 2&3以及CUTLASS的技术实现。
资料显示，FlashAttention 是一种针对Transformer模型注意力计算的高效优化算法，由斯坦福团队于2022年提出，核心目标是通过硬件感知的内存管理和计算流程重构，显著降低长序列处理时的显存占用与计算延迟。
CUTLASS（CUDA Templates for Linear Algebra Subroutines）是NVIDIA推出的开源高性能计算库，专为GPU加速的线性代数计算（尤其是矩阵乘法和卷积）设计。其核心目标是通过模块化模板和硬件级优化，为开发者提供灵活、高效的底层计算内核，支撑AI训练、科学计算与图形渲染等领域。
根据DeepSeek过往提交的论文，DeepSeek大模型训练成本大幅下降有两项关键技术，一是MoE，另一个就是今天开源的MLA（多头潜注意力）。
DeepSeek的成本涉及两项关键的技术：一个是MoE，一个就是MLA（Multi-head Latent Attention，多头潜注意力）。
MLA旨在优化传统Transformer架构的效率与性能，其核心原理包括：
KV压缩与潜在变量：将键（Key）和值（Value）联合压缩为低维潜在向量，显著减少推理时的KV缓存，降低内存占用。计算时通过升维恢复原始信息，平衡压缩效率与计算精度。
低秩降维技术：对查询（Queries）进行低秩压缩（降维后再升维），减少训练中的激活内存（activation memory），但需注意此操作不影响KV缓存。
动态序列处理：针对可变长度输入序列优化，支持高效处理不同长度的句子（如长文本对话场景）。
MLA可将每个查询KV缓存量减少93.3%，显著减少了大模型训练和推理过程中的内存占用
今天开源的MLA是DeepSeek在注意力机制上的重要创新，通过KV压缩、低秩降维等技术实现高效长序列处理与资源优化，成为其模型性能领先的关键技术之一。
本周后续，DeepSeek还将陆续开源4个代码库，期待一下！（宜月） |
|
发表于 2025-8-1 19:32
收藏
