《H2O: Heavy-Hitter Oracle for Efficient Generative Inference of Large Language Models》
友情链接：ACEJoy
当我们谈论人工智能尤其是语言模型时，你可能会想象一个强大的机器，它能够写作、聊天，甚至创作诗歌。但这背后的真相是，这些模型的运行需要巨大的计算资源，尤其是在处理长篇内容时。然而，科技的步伐从未停歇，一个名为H2O的新工具出现了，它让大型语言模型的应用变得更加高效和便捷。
迈向更高效的未来：H2O的诞生 🌟
有鉴于大型语言模型（LLMs）在部署时所需成本的不断攀升，特别是在长内容生成如对话系统与故事创作领域，研究者们提出了一种全新的解决方案。这个解决方案的核心在于对所谓的KV缓存的智能管理。KV缓存是一种在GPU内存中存储临时状态信息的机制，其大小与序列长度和批处理大小成线性关系。但H2O通过一种创新的方法大幅度降低了KV缓存的内存占用。
重点词（Heavy Hitters）：H2O的核心思想 💡
H2O背后的一个关键发现是，在计算注意力得分时，只有少数的词语（我们称之为重点词，H2）占据了大部分的价值。研究表明，这些重点词的出现与文本中词语的频繁共现强烈相关，一旦去除这些重点词，模型的性能会显著下降。
基于这一发现，H2O采用了一种KV缓存淘汰策略，它动态地保留了最近的词和重点词之间的平衡。通过将KV缓存淘汰形式化为一个动态子模块问题，研究者们还为这一算法提供了理论上的保证。
高效实践：H2O的验证与实现 🛠
H2O不仅仅停留在理论上，它的有效性已经在多个任务和不同大小的模型（如OPT和GPT-NeoX）上得到了验证。使用H2O并将重点词的比例设为20%，在OPT-6.7B和OPT-30B上，相比于目前领先的三种推理系统——DeepSpeed Zero-Inference、Hugging Face Accelerate和FlexGen，吞吐量提高了多达29倍。
开源共享：H2O与社区的互动 🌐
H2O项目已在GitHub上开源，任何人都可以访问其代码仓库。项目提供了两种代码实现：
h2o_flexgen：基于FlexGen，用于提升大型语言模型生成的吞吐量。h2o_hf：基于Hugging Face，测试不同基准上的性能，同时提供了模拟代码（掩蔽注意力矩阵）和真实KV淘汰实现。
结语：技术的进步，让创新触手可及 ✨
H2O的出现，不仅是技术的一大步，更是人工智能领域里一个值得纪念的里程碑。它使得原本资源密集的大型语言模型变得更加亲民，让更多的开发者和用户能够享受到AI的好处。
这篇论文介绍了用于高效生成推理的大型语言模型的一种新方法 HO。大型语言模型（LLM）在长内容生成等应用中部署成本过高，比如对话系统和故事写作。通常，大量短暂状态信息（称为 KV 缓存）会存储在 GPU 内存中，除了模型参数外，其大小与序列长度和批量大小成线性关系。在本文中，作者提出了一种新颖的方法来实现 KV 缓存，大大减少了其内存占用。该方法基于一个重要观察：在计算注意力分数时，只有少部分令牌占据了大部分价值。作者将这类令牌称为“重击者”（H）。通过全面的调查，作者发现 (i) H 的出现是自然的，并且与文本中令牌的频繁共现强烈相关；(ii) 移除它们会导致性能显著下降。基于这些洞察，作者提出了重击者预言机（HO），一种动态保留最近和 H 令牌平衡的 KV 缓存替换策略。作者将 KV 缓存替换视为一种动态次模问题，并证明了（在温和的假设下）他们新提出的替换算法的理论保证，有助于指导未来的研究。作者用 OPT、LLaMA 和 GPT-NeoX 在各种任务上验证了他们算法的准确性。将 HO 实现为 20% 的重击者，在 OPT-6.7B 和 OPT-30B 上，超过了 DeepSpeed Zero-Inference、Hugging Face Accelerate 和 FlexGen 等三种领先推理系统的吞吐量，最高可达 29 倍、29 倍和 3 倍。在相同的批量大小下，H2O 最多可以将延迟降低 1.9 倍。代码可在 https://github.com/FMInference/H2O 上找到。
1. 大规模语言模型（LLMs）在自然语言处理任务如内容创作、摘要和对话系统等方面表现出卓越的性能，但部署成本很高。
2. 除了模型规模和注意力层的二次成本外，存储中间注意密钥和值的KV缓存大小问题也变得越来越突出。
3. 一种自然的解决方法是限制其最大大小，就像经典软件或硬件缓存中一样。然而，在LLMs中减少KV缓存内存足迹是具有挑战性的，因为这可能会导致准确性的下降。
4. 虽然存在大量关于稀疏注意力近似的论文，但它们并没有广泛用于缓解KV缓存瓶颈。
5. 大多数现有方法，如Transformer、Flash注意力和Performer，旨在克服注意力机制所需的二次内存，但仍然需要大量的缓存大小。
6. 变种如稀疏Transformer（10）或多查询注意（11,12,5）可以减少缓存大小，但直接应用它们在预训练LLMs上生成结果会导致高丢失率和准确性下降，如图1所示。
7. 最近的一些进展，如gisting tokens（13），可以在生成过程中学习压缩KV缓存，但它们的昂贵删除策略在生成过程中难以部署。
8. 理想的KV缓存应具有（i）较小的缓存大小以减少内存足迹，（ii）低的丢失率以维持LLMs的性能和长内容生成能力，和（iii）低的删除成本以减少生成过程中的墙时钟时间。
9. 然而，存在三个技术挑战。首先，是否可以限制KV缓存的大小不是立即明确的。其次，确定保持生成准确性的最佳删除策略是一个组合问题。最后，即使可以强制实现最佳策略，将其部署在实际应用中也具有不可行的性。
10. 幸运的是，我们初步的探索已经发现了关于LLMs的实证性质的有趣观察。这些发现为设计高效的KV缓存铺平了道路。
11. 对于小缓存大小，我们观察到即使训练密度很高，LLM的注意力矩阵在推理时也超过95%稀疏（如图2所示）。这适用于一系列预训练的LLM。因此，在每个生成步骤中，只需要的KV缓存大小不到5%，这表明可以实现20倍以上的缓存大小减少，而不会导致准确性的下降。
12. 对于低丢失率，我们发现所有注意力块中所有token的累积注意得分遵循 power-law 分布。这表明在生成过程中存在一个小的影响 tokens，称为 heavy-hitters（H2）。H2提供了从组合搜索问题中走出来的机会，确定一个保持准确性的删除策略。