Fast Transformer Decoding: One Write-Head is All You Need

Otoregresif üretim sırasında KV önbellek bellek bant genişliği darboğazlarını ortadan kaldırmak için tüm Sorgu başlıkları arasında tek bir Anahtar ve Değer başlığını paylaşan Multi-Query Attention (MQA) icat etti.

task-text-generation için mimari kararları, hizalama stratejisini ve sunum altyapısını doğrudan yönlendirir.

Temel Varsayımlar (Assumptions)

• Ampirik dağılım düzenliliği geçerlidir ve hedef alan ön eğitim dilsel/görsel desteğine uygundur

Kısıtlar ve Sınırlamalar (Limitations)

• Kaynak ölçekleme, çıkarım bellek gereksinimleri ve hizalama sağlamlığı model boyutuna ve donanım topolojisine göre değişir