YOCO（You Only Cache Once）是一种新型解码器-解码器架构，旨在解决大型语言模型（LLMs）在扩展模型大小、训练令牌数量和上下文长度时面临的挑战。传统的Transformer模型在处理长序列输入时，由于需要缓存大量的键值（KV）对，导致GPU内存消耗过高，推理效率低下。YOCO通过仅缓存一次KV对，显著降低了内存需求，同时保持了与Transformer相当的性能。
YOCO架构
YOCO架构由两个主要组件组成：
- 自解码器（Self-Decoder）： 负责高效地编码全局KV缓存，并使用滑动窗口注意力或门控保留机制来减少内存占用。
- 交叉解码器（Cross-Decoder）： 通过交叉注意力机制重用自解码器生成的KV缓存，避免重复计算，从而提高推理效率。
YOCO的优势
- 降低内存需求： 通过仅缓存一次KV对，YOCO显著降低了GPU内存消耗，使得模型可以处理更长的上下文长度，并提高了模型的可扩展性。
- 提高推理效率： YOCO的计算流程允许预填充阶段提前退出，从而加快了预填充速度，并提高了吞吐量。
- 保持性能： YOCO在各种任务中都表现出与Transformer相当的性能，包括语言建模、针检索和长序列建模。
- 多模态应用： YOCO的架构适用于多模态大型语言模型，并且其因果依赖性适合流式视频处理。
未来研究方向
- 模型压缩和加速： 研究如何进一步压缩YOCO模型，以便于在资源受限的设备上部署。
- 多模态融合： 探索YOCO在多模态大型语言模型中的应用，例如视频和图像理解任务。
- 优化KV缓存机制： 开发更高效的KV缓存压缩和索引机制，以进一步减少内存占用并提高检索效率。
- 分布式训练和推理： 研究如何优化YOCO的分布式训练和推理流程，以提高吞吐量和减少延迟。
总结
YOCO是一种高效且可扩展的大型语言模型架构，通过仅缓存一次KV对，显著降低了内存需求，同时保持了与Transformer相当的性能。YOCO在各种任务中都表现出色，并具有广泛的应用前景，包括多模态融合和实时应用。
YOCO（You Only Cache Once）是一种针对大型语言模型的解码器-解码器架构，它只在缓存中存储键值对一次。YOCO由两个组件组成，即交叉解码器和自解码器。自解码器通过高效的自注意力机制对全局键值（KV）缓存进行编码，而交叉解码器通过交叉注意力机制重复使用这些共享的KV缓存。整体模型的行为类似于仅解码器的Transformer模型，尽管YOCO只缓存一次。这种设计显著减少了GPU内存需求，同时保留了全局注意力的能力。此外，计算流程使得可以在不改变最终输出的情况下提前退出预填充阶段，从而显著加快了预填充速度。实验结果表明，在不同的模型规模和训练标记数量的设置下，YOCO相比Transformer取得了有利的性能。研究人员还将YOCO扩展到了1M上下文长度，并实现了接近完美的检索准确性。性能分析结果显示，YOCO在不同上下文长度和模型规模下，提高了推理内存、预填充延迟和吞吐量数个数量级。[1]
YOCO的架构特点如下：
- 只缓存一次：YOCO只在缓存中存储键值对一次，大大减少了GPU内存消耗。
- 高效的自解码器：YOCO的自解码器采用高效的自注意力机制，用于编码全局键值缓存。
- 交叉解码器的重复使用：YOCO的交叉解码器通过交叉注意力机制重复使用自解码器产生的共享KV缓存。
- 提前退出预填充：YOCO的计算流程使得可以在不改变最终输出的情况下提前退出预填充阶段，加快了预填充速度。
- 适用于大型语言模型：YOCO的设计使其适用于大型语言模型，具有较低的GPU内存需求和较高的推理效率。
YOCO的实验结果表明，它在各种任务上都表现出良好的性能，并在推理效率方面具有许多优势。YOCO可以随着训练标记数量、模型规模和上下文长度的增加而扩展。此外，YOCO还通过减少GPU内存占用、加快预填充速度和提高服务能力等方面，改善了推理效率。因此，YOCO被认为是未来具有原生长序列支持的大型语言模型的强有力的候选模型架构。[2]
Learn more: