标签导航：

摩尔线程科研团队在 arxiv 上发表最新研究成果《round attention：以轮次块稀疏性开辟多轮对话优化新范式》，该方法显著提升了大型语言模型（llm）的多轮对话推理效率。 round attention 的端到端延迟低于现有主流的 flash attention 推理引擎，并大幅降低了 kv 缓存的 gpu 显存占用（节省 55% 到 82%）。

近年来，LLM 的广泛应用凸显了多轮对话场景下两大瓶颈：计算开销巨大和 GPU 内存需求高涨。摩尔线程的 Round Attention 正是针对这两个问题提出的解决方案。

摩尔线程 Round Attention：以轮次块稀疏性开辟多轮对话优化新范式

Round Attention 的核心创新：

Round Attention 以轮次为单位优化 Attention 机制，并基于对多轮对话 Attention 分布规律的深入研究，提出了独特的推理流程。其主要优势体现在：

  • 语义完整性: 将 KV 缓存按轮次划分，确保每次 Attention 计算都基于完整的语义单元，提升模型理解能力。
  • 注意力稳定性: 发现并利用了特定“分水岭层”后注意力分布的高度相似性，仅需在此层筛选关键轮次，减少后续计算开销。
  • 存储与传输优化: 将 KV 缓存分块存储于 CPU 内存，并以轮次为单位批量传输，降低了 GPU 内存占用和数据传输延迟。

性能提升：

Round Attention 在保持模型推理精度的前提下，实现了显著的性能提升：端到端延迟低于 Flash Attention，KV 缓存显存占用降低 55% 到 82%。

摩尔线程 Round Attention：以轮次块稀疏性开辟多轮对话优化新范式

摩尔线程 Round Attention：以轮次块稀疏性开辟多轮对话优化新范式

未来展望：

摩尔线程团队希望与开源社区合作，进一步探索稀疏注意力优化，共同解决 LLM 落地应用中的效率和成本难题。 论文全文已可在 arXiv 上获取：

https://www.php.cn/link/65b22292b232047ac742de249504db02