Skip to main content
分享时间：2025-05-25  |  主讲：程治玮

​
录屏回看

​
问题讨论

​
1 引言：为什么大模型推理的内存管理如此关键？

随着大语言模型（LLM）在聊天机器人、代码补全、智能问答等场景中的广泛应用，越来越多的公司开始将其作为核心服务进行部署。但运行这类模型的成本极高。相比传统的关键词搜索请求，处理一次 LLM 推理的代价可能高出十倍以上，而背后的主要成本之一，正是 GPU 内存的使用效率。 在大多数主流 LLM 中，推理过程需要缓存每一步生成过程中的 Key 和 Value 向量（即 KV Cache），以便后续生成阶段引用。这部分缓存并不会随模型权重一起常驻 GPU，而是随着用户请求的长度动态增长和释放。在高并发场景下，不合理的 KV Cache 管理方式会导致大量内存碎片和资源浪费，最终限制可并发处理的请求数量，拉低整体吞吐量。 为了解决这一瓶颈，vLLM 引入了一个全新的注意力机制 —— PagedAttention。它借鉴了操作系统中的虚拟内存分页技术，将 KV Cache 分块存储在非连续的内存地址中，配合 block-level 的共享与 copy-on-write 机制，极大提升了内存利用率，从而显著提高了模型的吞吐能力。 vLLM 团队将 vLLM 的推理吞吐量与 HuggingFace Transformers（HF） 和 HuggingFace Text Generation Inference（TGI） 进行了对比。评估在两种硬件设置下进行：在 NVIDIA A10G GPU 上运行 LLaMA-7B 模型，以及在 NVIDIA A100（40GB）GPU 上运行 LLaMA-13B 模型。实验结果表明，与 HF 相比，vLLM 的吞吐量最高可达 24 倍，与 TGI 相比，吞吐量最高可达 3.5 倍。 本文将结合 PagedAttention 的论文《Efficient Memory Management for Large Language Model Serving with PagedAttention》，深入解析 PagedAttention 的设计理念与实现细节，并说明它是如何有效缓解内存瓶颈，显著提升大模型推理性能的。

​
2 背景知识：LLM 推理中 KV Cache 的角色

在大语言模型（LLM）如 GPT、OPT、LLaMA 的推理过程中，一个关键机制是自回归生成（autoregressive generation）。这意味着模型会基于用户提供的 prompt（提示词），逐步生成下一个 token，每一步都依赖之前生成的 token。这种生成方式的效率，极大依赖于 Transformer 架构中的自注意力机制（self-attention）。 在 self-attention 中，模型为每个 token 计算三个向量：Query（Q）、Key（K） 和 Value（V）。每生成一个新 token，模型会将当前的 Query 向量与之前所有 token 的 Key 向量进行点积计算注意力分数，再据此对 Value 向量做加权求和。这种计算需要频繁访问此前的 token 信息。 为了避免重复计算这些历史 Key 和 Value 向量，推理系统通常会将它们缓存下来，称为 KV Cache（Key-Value 缓存）。这不仅节省了大量重复计算，也显著提升了推理效率。 推理过程可以划分为两个阶段：
  • prefill 阶段：模型接收完整的用户输入 prompt，并一次性并行计算所有 token 的 Query、Key 和 Value 向量。这一阶段是高度并行的，能够充分利用 GPU 的算力资源，因此属于 compute-bound（计算受限），瓶颈在于算力而非内存。
  • decode 阶段：此阶段模型开始逐个 token 地生成输出。每一步仅处理一个新的 token，模型首先计算其对应的 Query、Key 和 Value 向量。当前 token 的 Query 会与历史及当前的 Key 向量进行点积计算，通过 softmax 得到 attention 权重后，再与历史及当前的 Value 向量进行加权求和，得到当前 token 的 attention 输出。随后，当前步骤产生的 Key 和 Value 向量会被追加写入 KV Cache，以供后续使用。由于该过程是串行的、难以并行加速，且频繁读写缓存数据，因此整体表现为 memory-bound（内存受限），瓶颈主要在 KV Cache 的存储与访问效率。
可以看出，prefill 阶段更侧重于并行计算，而 decode 阶段的性能很大程度上取决于 KV Cache 的内存管理能力。随着生成的 token 数量增加，KV Cache 会线性增长，并逐步占据大量 GPU 显存。 下图展示了一个 13B 参数规模的大语言模型在 NVIDIA A100 40GB 显存 GPU 上推理时的显存使用分布。其中：
  • Parameters（26GB, 65%）：指模型的权重参数，这部分在加载模型后常驻显存，大小固定；
  • KV Cache（>30%）：用于存储每个请求的历史 Key 和 Value 向量，随着生成 token 数量动态增长，是最主要的动态内存开销来源；
  • Others：主要指推理过程中暂时产生的中间计算结果（如 activation），生命周期短，通常在计算完一层后即被释放，占用较少。
从这张图可以直观看出，KV Cache 是模型推理过程中最主要的“动态”显存负担，它不仅大，而且会随着请求数量和序列长度迅速膨胀。因此，如何高效管理 KV Cache，决定了一个推理系统能否支撑大批量并发请求，是提高吞吐量的关键。

​
3 内存管理的挑战：KV Cache 为什么成了 LLM 推理的瓶颈？

当前主流的 LLM 推理系统在 KV Cache 的内存管理上普遍存在 3 类结构性问题：显存占用增长快、内存碎片严重，以及缓存难以复用。

​
3.1 KV Cache 占用迅速增长，极易耗尽显存

以 OPT-13B 为例，论文指出其每个 token 的 KV Cache 占用约为 800KB，计算方式为：
2（Key 和 Value）× 5120（hidden size）× 40（Transformer 层数）× 2 字节（FP16） = 819,200 字节 ≈ 800KB
如果生成完整的 2048 个 token，单个请求的 KV Cache 占用就可达约 1.6GB。在一块 40GB 显存的 A100 GPU 上，这种增长速度意味着仅同时处理少量请求，就可能达到内存瓶颈，直接限制了批处理规模和系统吞吐量。

​
3.2 预分配导致内存碎片严重

传统推理系统（如 FasterTransformer 和 Orca）通常采用预分配策略：请求开始时，就按最大可能生成的长度（如 2048 token）为每个请求分配一整块连续内存空间。这种方式带来 3 类显著的内存浪费：
  • 已预留但尚未使用的空间（Reserved）：虽然未来会使用，但当前暂未使用到。
  • 内部碎片（Internal Fragmentation）：实际 token 数小于预留长度，剩余空间浪费。
  • 外部碎片（External Fragmentation）：不同请求所需内存大小不一，造成内存块间不连续，产生碎片。
论文中的实验结果显示，再传统系统中真正用于存放 KV Cache 的有效内存占比最低仅约 20.4%，其余全为浪费。

​
3.3 KV Cache 难以共享，内存复用受限

在 Parallel Sampling 或 Beam Search 等复杂推理模式中，一个请求可能包含多个生成分支（如多个候选答案），这些分支共享相同的 prompt，因此理论上可以共享其 KV Cache。但传统系统将每个分支的 KV Cache 存放在独立的连续内存中，物理上无法实现共享，只能进行冗余复制，进而显著增加了内存开销。

​
4 核心创新：PagedAttention 是什么？

为了解决 KV Cache 内存管理中的高占用、严重碎片和复用困难等问题，vLLM 提出了一种全新的注意力机制 —— PagedAttention。它的核心思想，借鉴自操作系统中广泛应用的虚拟内存分页机制（Virtual Memory & Paging）。 在操作系统中，虚拟内存将程序的地址空间划分为固定大小的“页”（Page），这些页可以映射到物理内存中任意位置，实现非连续分配，从而有效解决了内存碎片和共享问题。PagedAttention 将这一思路引入 KV Cache 的管理中，并带来了 3 项关键改进：
  1. KV Cache 被切分为固定大小的 block：PagedAttention 将每个序列的 KV Cache 切分为固定大小的 block（默认是 16 个 token），每个 block 存储若干个 token 的 Key 和 Value 向量。这种设计统一了内存分配粒度，使系统能够以更标准化的方式管理 KV Cache 的分配与回收，从而提升内存复用效率，并有效减少内存碎片。
  2. block 可以存放在非连续的物理内存中：与传统的 Attention 不同，PagedAttention 不再要求这些 KV 向量在内存中连续排列，而是通过逻辑 block 与物理 block 的映射，实现非连续存储。映射关系由 block table 维护，它类似于操作系统中的页表，用于记录每个逻辑 block 对应的物理内存位置，确保模型在推理过程中可以正确读取所需的 KV Cache。
  3. 支持灵活的分配与释放，以及共享机制：PagedAttention 支持按需分配和回收 block，并允许多个序列共享 block。PagedAttention 使用了 copy-on-write（CoW）机制，允许多个生成样本共享大部分输入 prompt 的 KV Cache，只有当某个分支需要写入新 token 的 KV 数据时，系统才会将相关 block 复制到新的物理位置，从而在保证数据隔离的同时极大地节省显存资源，提升推理效率与吞吐量。

​
5 实现细节：vLLM 如何利用 PagedAttention 实现高效推理

​
5.1 推理过程中的内存管理

vLLM 在 decode 阶段使用 PagedAttention 配合 block-level 的内存管理机制，实现了高效、动态的 KV Cache 管理。 如下图所示，用户请求的 prompt 为 "Four score and seven years ago our"，共包含 7 个 token：
  1. prefill 阶段：vLLM 为前 7 个 token 分配两个逻辑块 block 0 和 block 1，分别映射到物理块 7 和 1。block 0 存储前 4 个 token，block 1 存储后 3 个 token 及第一个生成 token "fathers"，填充数为 4。
  2. decode 阶段 - 生成第 1 个词：生成 token "brought"，由于 block 1 尚未填满（最多容纳 4 个 token），因此直接将新 KV Cache 写入该块，填充计数从 3 更新为 4。
  3. decode 阶段 - 生成第 2 个词：生成下一个 token，此时 block 1 已满，系统为逻辑块 block 2 分配新的物理块 block 3，并写入 KV Cache，同时更新映射表。
整个过程中，每个逻辑块仅在前一个块被填满后才会分配新的物理块，从而最大程度地减少内存浪费。不难发现，在计算时我们操作的是逻辑块，也就是说，这些 token 在形式上是连续排列的；与此同时，vLLM 会通过 block table 映射关系，在后台将逻辑块映射到实际的物理块，从而完成数据的读取与计算。通过这种方式，每个请求仿佛都在一个连续且充足的内存空间中运行，尽管这些数据在物理内存中实际上是非连续存储的。

​
5.2 支持多样化的推理策略

PagedAttention 中采用的基于分页的 KV Cache 管理机制，不仅在常规单序列生成中表现出色，也天然适合多种复杂的解码策略。

​
5.2.1 并行采样（Parallel Sampling）

在 Parallel Sampling 中，同一个 prompt 会生成多个候选输出，便于用户从多个备选中选择最佳响应，常用于内容生成或模型对比测试。 在 vLLM 中，这些采样序列共享相同的 prompt，其对应的 KV Cache 也可以共用同一组物理块。PagedAttention 通过引用计数和 block-level 的 copy-on-write 机制实现共享与隔离的平衡：只有当序列出现不同分支时，才会触发复制操作。

​
5.2.2 束搜索（Beam Search）

Beam Search 是机器翻译等任务中常见的解码策略。它会维护多个“beam”路径，每轮扩展最优候选并保留 top-k 序列。 在 vLLM 中，多个 beam 可以共享公共前缀部分的 KV Cache，不仅包括输入 prompt，还包括生成过程中的公共前缀 token。只要这些 beam 的生成路径尚未分叉，它们就会复用相同的物理块。当路径分叉发生后，vLLM 才通过 copy-on-write 机制对共享块进行拆分，从而保证每个 beam 的独立性。

​
5.2.3 共享前缀（Shared Prefix）

在许多提示工程实践中，多个请求会以相同的系统提示或 few-shot 示例开头（例如翻译任务中的多个例句）。这些共享前缀同样可以被 vLLM 缓存并复用。

​
5.2.4 混合解码（Mixed Decoding）

前面提到的几种解码方式（如 Parallel Sampling、Beam Search、Shared Prefix 等）在内存的共享和访问方式上存在差异，传统系统很难同时高效地处理这些不同策略的请求。而 vLLM 则通过一个通用的映射层（block table）屏蔽了这些差异，让系统能够在统一框架下处理多样化的请求。

​
5.3 推理任务的调度与抢占

当请求量超过系统处理能力时，vLLM 需要在有限的显存资源下合理调度推理请求，并对部分请求进行抢占（Preemption）。为此，vLLM 采用了 FCFS（first-come-first-serve） 的策略，确保请求被公平处理：优先服务最早到达的请求，优先抢占最近到达的请求，避免资源饥饿。 由于大模型的输入 prompt 长度差异大，输出长度也无法预估，随着请求和生成的 token 增加，GPU 中用于存储 KV Cache 的物理块可能耗尽。此时，vLLM 面临两个核心问题：
  1. 应该回收哪些块？
  2. 如果后续仍需使用，被回收的块如何恢复？

​
5.3.1 块回收策略：All-or-Nothing

vLLM 中每个序列的所有 KV Cache 块始终一起被访问，因此采用 “All-or-Nothing” 的回收策略：要么完全回收一个请求的全部 KV Cache，要么不回收。此外，像 Beam Search 这类单请求中含多个子序列（beam）的情况，这些序列之间可能共享 KV Cache，必须作为一个 “sequence group” 整体抢占或恢复，确保共享关系不被破坏。

​
5.3.2 块恢复策略：Swapping 与 Recomputation

对于被抢占请求的 KV Cache，vLLM 提供两种恢复机制：
  • Swapping（交换）：将被抢占请求的 KV Cache 块从 GPU 移动到 CPU 内存。当有空闲 GPU 块时再从 CPU 恢复回来继续执行。为了控制资源使用，被交换（swapped）到 CPU 内存中的 KV Cache 块数量，永远不会超过 GPU 中物理块的总数。
  • Recomputation（重计算）：直接丢弃已生成的 KV Cache，待请求恢复后重新计算。Recomputation 可将已生成的 token 与原始 prompt 拼接为新的输入，一次性完成所有 KV Cache 的预填充，其开销显著低于原始 decode 阶段逐 token 生成的方式，随后可以继续后续的 decode 过程。
根据论文中的实验结果，Swapping 更适用于 block size 较大的场景，而 Recomputation 则在不同 block size 下的表现更为稳定。在中等 block size（16 到 64）范围内，两种方式的端到端性能基本相当。

​
5.4 分布式架构

随着大语言模型（LLM）参数规模的不断扩大，许多模型的总参数量早已超出单张 GPU 的显存上限。因此，必须将模型参数切分并分布在多张 GPU 上，以实现并行执行，这种策略被称为 模型并行（Model Parallelism）。这不仅要求模型本身具备良好的并行性，也对系统提出了更高要求——需具备能够协调跨设备内存访问与管理的能力。 为应对这一挑战，vLLM 构建了一套面向分布式推理的执行架构，原生支持 Megatron-LM 风格的张量并行策略，并通过统一调度与基于分页的 KV Cache 管理机制，实现了跨 GPU 的高效协同推理与资源共享。 在每一步 decode 过程中，调度器首先为每个 batch 中的请求准备控制信息，其中包括：
  • 输入 token 的 ID；
  • 以及该请求的块表（block table，即逻辑块到物理块的映射信息）。
接下来，调度器会将这些控制信息广播给所有的 GPU worker。 然后，GPU worker 开始使用这些输入 token ID 执行模型推理。在注意力层中，GPU worker 会根据控制信息中提供的块表，读取对应的 KV Cache。在执行过程中，GPU worker 会通过 all-reduce 通信原语同步中间计算结果，这一过程无需调度器参与协调。最后，GPU worker 会将本轮生成的 token（采样结果）发送回调度器。

​
5.5 GPU kernel 优化

PagedAttention 引入了非连续、按块访问 KV Cache 的内存访问模式，而这些访问模式并不适配现有推理系统中的通用 kernel 实现。为此，vLLM 专门实现了一系列 GPU kernel 优化，以充分发挥硬件性能：
  • 融合 reshape 与块写入（Fused reshape and block write） 在 Transformer 的每一层，新生成的 KV Cache 需要被分块、reshape 成适合按块读取的内存布局，并根据 block table 的位置写入显存。vLLM 将这些操作融合为一个 kernel 执行，避免了多次 kernel 启动的开销，从而提升执行效率。
  • 融合块读取与注意力计算（Fusing block read and attention） vLLM 在 FasterTransformer 的基础上改造了注意力 kernel，使其能够根据 block table 实时读取 KV Cache 并执行 attention 操作。为了确保内存访问的合并性（coalesced access），vLLM 为每个块分配一个 GPU warp 来读取数据，并支持同一 batch 中不同序列长度的处理，增强了执行灵活性。
  • 优化块复制操作（Fused block copy） copy-on-write 机制触发的块复制可能涉及多个非连续内存块。若使用 cudaMemcpyAsync，会造成频繁的小数据移动，效率低下。vLLM 实现了一个融合的 kernel，可将多个块复制操作批量合并为一次 kernel 启动，显著降低了调度开销与执行延迟。

​
6 总结

本文系统梳理了 vLLM 核心技术 PagedAttention 的设计理念与实现机制。文章从 KV Cache 在推理中的关键作用与内存管理挑战切入，介绍了 vLLM 在请求调度、分布式执行及 GPU kernel 优化等方面的核心改进。PagedAttention 通过分页机制与动态映射，有效提升了显存利用率，使 vLLM 在保持低延迟的同时显著提升了吞吐能力。

​
7 附录

附录中包含了在阅读 PagedAttention 的论文《Efficient Memory Management for Large Language Model Serving with PagedAttention》时可能需要解释的相关概念。

​
什么是注意力？

当模型处理句子 “an apple and an orange” 时，注意力机制帮助模型理解 “apple” 的具体含义。
  • “apple” 是一个多义词，既可以指水果，也可以指品牌（Apple 公司）。
  • 句子中紧跟着的 “orange” 明确是一种水果，这个上下文信息通过注意力机制被捕捉到。
  • 由于 “orange” 与 “apple” 在水果的语义空间中关系更密切，注意力机制会赋予 “orange” 较高的权重，从而帮助模型倾向于将 “apple” 理解为水果，而非品牌。

​
什么是 Q、K、V？

在 Transformer 模型中，Q（Query）、K（Key）、V（Value） 是自注意力机制（Self-Attention）的核心组成部分，用于计算输入序列中不同 token 之间的依赖关系，并融合上下文信息。 Q、K、V 都是由输入的词向量（embedding）通过不同的线性变换矩阵生成的： Q=XWQ,K=XWK,V=XWVQ = X W^{Q},\quad K = X W^{K},\quad V = X W^{V}
  • 每个权重矩阵 WQ,WK,WVW^{Q}, W^{K}, W^{V} 都是可训练的参数，能够增强模型的表达能力；
  • 这三个向量随后被送入注意力机制中进行信息交互与聚合。
Query（Q）
  • 定义：当前 token 提出的“问题”或“关注点”。
  • 作用：用于与所有 token 的 Key 做点积，计算相似度（相关性分数）；
Key（K）
  • 定义：所有 token 的“身份标识”或“关键词”；
  • 作用：与 Query 做点积，用于计算注意力分数，表示被关注的程度。
Value（V）
  • 定义：包含 token 的实际语义信息；
  • 作用：在 softmax 得到的注意力权重下进行加权聚合，形成上下文感知表示。
Attention 的输出会传入一个 Linear 层映射成词表大小的 logits，然后经过 softmax 得到每个词的概率。最终生成阶段使用 greedy、sampling 或 beam search 等方式，从中选择下一个 token。

​
KV Cache

  • 在自回归生成任务（如大语言模型推理）中，每一步生成新 token 时，输入序列会不断变长。每次经过自注意力层时，都需要重新计算所有 token 的 Key（K）和 Value（V）向量。
  • 对于已经生成过的 token（如 “Machine”, “learning”, “is”, “fun”），它们的 Key 和 Value 向量在每次新 token 推理时其实是完全相同的，并不会发生变化。
  • 但如果不使用 kv cache，每次生成新 token 时，模型都要重复计算这些已经存在的 Key 和 Value，造成大量冗余计算，极大降低推理效率。
kv cache 的作用：
  • kv cache 会把已经生成过的 token 的 Key 和 Value 向量缓存下来，后续每次推理时只需计算新 token 的 Key 和 Value，然后与缓存中的历史 Key 和 Value 拼接即可。
  • 这样，模型每步只需计算一次新的 Key/Value，大幅减少重复计算，显著加快推理速度，尤其是在长序列推理时效果更明显。

​
Parallel Sampling

Parallel Sampling（并行采样） 指的是对同一个输入 prompt，同时并行生成多个不同的输出结果，以提升生成内容的多样性和可选性。例如，ChatGPT 可以为同一个问题生成多个答案供你挑选。 Beam Search（束搜索） 是一种在文本生成任务（如机器翻译、文本摘要、语音识别等）中常用的解码策略。它通过在每一步保留多个得分最高的候选序列，逐步扩展这些序列，以找到整体概率最高的输出。 每个时间步都有 A、B、C、D、E 五种可能的输出，设定 num_beams = 2，即每一步保留得分最高的两个候选序列。
  1. 第一个时间步：模型预测出 5 个候选词 A~E。假设其中 A 和 C 得分最高，因此保留 [A] 和 [C] 两个分支，舍弃其余。
  2. 第二个时间步：从 [A] 和 [C] 分别扩展出 5 个新词，形成共 10 个候选序列（如 [AB], [AD], [CE] 等）。对这 10 个序列统一打分，保留得分最高的两个（假设为 [AB] 和 [CE]）。
  3. 第三个时间步：再从 [AB] 和 [CE] 各自扩展出 5 个词，得到 10 个新候选。重复相同的筛选过程，最终保留得分最高的两个序列（如 [ABD] 和 [CED]）。
最终输出 [ABD] 和 [CED]，它们是通过 Beam Search 筛选出的两个最优结果。

​
虚拟内存和分页

在传统的计算机系统中，CPU 直接操作物理内存地址。这意味着，应用程序认为自己是在操作物理内存。如果两个程序占用的内存有重叠，它们可能会互相干扰，导致程序崩溃。为了避免这种情况，操作系统引入了虚拟内存机制。每个进程被分配独立的一套虚拟地址空间，互不干涉。 虚拟内存（Virtual Memory） 是计算机系统内存管理的一种技术。它使得应用程序认为它拥有连续的可用的内存（一个连续完整的地址空间），而实际上，它通常是被分隔成多个物理内存碎片，还有部分暂时存储在外部磁盘存储器上，在需要时进行数据交换。 分页（Paging） 是一种将虚拟地址空间和物理内存划分为固定大小块的技术。在分页系统中：
  • 虚拟内存被划分为固定大小的块，称为 页（Pages）。
  • 物理内存被划分为与页大小相同的块，称为 页框（Page Frames）。
  • 页表（Page Table） 是一个数据结构，用于记录虚拟页与物理页框之间的映射关系。
当程序访问某个虚拟地址时，系统会通过页表将其转换为对应的物理地址。如果所需的页不在物理内存中，就会发生 缺页中断（Page Fault），操作系统会将所需页从磁盘加载到内存中。

​
自回归分解（autoregressive decomposition）公式

语言建模的目标就是：计算一段文本（由一系列 token 构成）的概率是多少。由于语言本身具有自然的顺序性，所以我们通常会将这个联合概率分解为一系列条件概率的乘积，这也被称为 自回归分解（autoregressive decomposition）。 P(x)=P(x1)⋅P(x2∣x1)⋅⋯⋅P(xn∣x1,...,xn−1)P(x) = P(x_1) \cdot P(x_2 \mid x_1) \cdot \cdots \cdot P(x_n \mid x_1, ..., x_{n-1}) 整个句子的概率是：第一个词的概率 × 第二个词在第一个词出现的条件下的概率 × 第三个词在前两个词出现的条件下的概率 …… 依此类推。

​
Causal Self-Attention（因果自注意力）公式

Causal Self-Attention（因果自注意力） 是一种特殊的自注意力机制，采用了因果掩码（Causal Masking），主要用于序列生成任务中，确保模型在生成当前位置的输出时，只依赖于该位置之前的信息，而不会利用未来位置的信息，从而保持自回归（autoregressive）属性。 aij=exp⁡(qi⊤kj/d)∑t=1iexp⁡(qi⊤kt/d),oi=∑j=1iaijvja_{ij} = \frac{\exp(q_i^\top k_j / \sqrt{d})}{\sum_{t=1}^i \exp(q_i^\top k_t / \sqrt{d})}, \quad o_i = \sum_{j=1}^i a_{ij} v_j
  • qi⊤kjq_i^\top k_j：第 ii 个 token 的 Query 向量与第 jj 个 token 的 Key 向量之间的点积（衡量相似度）。
  • 除以 d\sqrt{d}：是为了防止点积值过大导致 softmax 输出太极端（归一化）。
  • exp / sum exp：是 softmax 函数，用于将所有相似度变成一个概率分布。
  • 上限是 ii：说明这里使用了因果掩码（causal mask），也就是说 token xix_i 只能“看到”它自己和它之前的 tokens，不能访问未来的信息（用于生成任务）。

​
Transformer 架构

Transformer 架构主要有三种变体：Encoder-Only（仅编码器）、Decoder-Only（仅解码器） 和 Encoder-Decoder（编码器-解码器）。它们在结构和应用场景上各有特点。
  1. Encoder-Only（仅编码器）
  • 结构特点：仅包含编码器部分，使用双向自注意力机制（Bidirectional Self-Attention）。该机制允许模型在处理每个词时，同时关注该词前后的所有词，从而捕捉整个序列的上下文信息。
  • 典型模型：BERT（Bidirectional Encoder Representations from Transformers）
  • 应用场景：文本分类、命名实体识别、情感分析、问答系统等需要对输入文本进行理解的任务。
  • 工作方式：模型接收完整的输入序列，通过编码器生成上下文相关的表示，用于下游任务。
  1. Decoder-Only（仅解码器）
  • 结构特点：仅包含解码器部分，采用自回归机制，使用因果掩码（Causal Masking）确保每个位置只能关注其之前的位置。
  • 典型模型：GPT 系列（Generative Pre-trained Transformer）
  • 应用场景：文本生成、自动补全、对话系统等需要生成文本的任务。
  • 工作方式：模型逐步生成文本，每一步根据之前生成的内容预测下一个词。
  1. Encoder-Decoder（编码器-解码器）
  • 结构特点：包含编码器和解码器两个部分。编码器处理输入序列，解码器生成输出序列，解码器在生成每个词时，既关注之前生成的词，也关注编码器的输出。
  • 典型模型：原始 Transformer、T5（Text-to-Text Transfer Transformer）
  • 应用场景：机器翻译、文本摘要、问答系统等需要将输入序列转换为输出序列的任务。
  • 工作方式：编码器将输入序列编码为上下文表示，解码器根据这些表示和已生成的词逐步生成输出序列。

​
PagedAttention Block 定义

Kj=(k(j−1)B+1,…,kjB)K_j = (k_{(j-1)B+1}, \dots, k_{jB}) 这表示第 jj 个 Key block 包含：
  • 第 (j−1)B+1(j-1)B+1 到第 jBjB 个 token 的 Key 向量
  • 一共刚好 BB 个 key，按顺序组合成一个 block
举个例子：
  • Block size B=128B = 128
  • 那么第 1 个 block (j=1j = 1) 包含：
    • Key 向量： k1,k2,...,k128k_1, k_2, ..., k_{128}
    • Value 向量： v1,v2,...,v128v_1, v_2, ..., v_{128}
  • 第 2 个 block (j=2j = 2) 包含：
    • Key 向量： k129,...,k256k_{129}, ..., k_{256}
    • Value 向量： v129,...,v256v_{129}, ..., v_{256}

​
PagedAttention 中基于 block 的注意力计算公式

Aij=exp⁡(qi⊤Kj/d)∑t=1⌈i/B⌉exp⁡(qi⊤Kt1/d)A_{ij} = \frac{\exp(q_i^\top K_j / \sqrt{d})}{\sum_{t=1}^{\lceil i/B \rceil} \exp(q_i^\top K_t 1 / \sqrt{d})}
  • AijA_{ij} 表示第 ii 个token（查询向量 qiq_i）与第 jj 个KV block（键向量 KjK_j）之间的注意力权重。
  • qiq_i 为第 ii 个token的查询向量（Query vector）。
  • KjK_j 为第 jj 个KV block的键向量（Key vector）。
  • dd 表示模型维度大小，用于缩放注意力分数，防止过大的数值导致梯度消失。
  • 分母是归一化因子，确保所有的注意力权重之和为1。
oi=∑j=1⌈i/B⌉VjAij⊤o_i = \sum_{j=1}^{\lceil i/B \rceil} V_j A_{ij}^\top
  • oio_i 为第 ii 个token的注意力输出向量（Output vector）。
  • VjV_j 为第 jj 个KV block的值向量（Value vector）。
  • Aij⊤A_{ij}^\top 表示注意力权重向量的转置，与值向量 VjV_j 相乘以加权求和，产生最终的输出。
  • 每个 AijA_{ij} 实际上是一个行向量，包含了第 ii 个token对于第 jj 个KV block内所有token的注意力得分：
Aij=(ai,(j−1)B+1,…,ai,jB)A_{ij} = (a_{i,(j-1)B+1}, \dots, a_{i,jB})
  • 每个 KV block 的大小固定为 BB，这样通过分块计算注意力，可以显著降低内存使用，并提高计算效率。这就是 PagedAttention 机制的核心思想。

​
CUDA kernel

CUDA kernel 是一种运行在 GPU 上的并行函数，它通过启动大量线程并行执行相同的代码，从而实现高效的并行计算，是 CUDA 编程模型的核心概念。

​
参考资料