DeepSeek代碼開源第一彈Flash MLA，揭秘大模型訓練低成本關鍵

2月24日消息，隨著DeepSeek大模型開源引發(fā)全球熱潮后，2月21日DeepSeek在社交平臺X發(fā)文稱，這周起會陸續(xù)開源5個代碼庫。

今天DeepSeek開源首個代碼庫Flash MLA，引發(fā)極大關注，截至目前github Star星數(shù)已經超過4.5k。

Flash MLA是DeepSeek針對英偉達Hopper GPU優(yōu)化的高效MLA解碼內核，其特別針對可變長度序列作了優(yōu)化，現(xiàn)已投入生產。

FlashMLA的使用基準為：Hopper GPU、CUDA 12.3及以上版本、PyTorch 2.0及以上版本。

經實測，F(xiàn)lashMLA在H800 SXM5平臺上（CUDA 12.6），在內存受限配置下可達最高3000GB/s，在計算受限配置下可達峰值580 TFLOPS。

這種優(yōu)化可以確保FlashMLA在高性能硬件上有效地處理大語言模型和其他AI應用程序的密集計算需求。

目前已經發(fā)布的內容包括：采用BF16，塊大小為64的分頁kvcache（鍵值緩存）。

團隊在致謝部分表示，F(xiàn)lashMLA的設計參考了FlashAttention 2&3以及CUTLASS的技術實現(xiàn)。

資料顯示，F(xiàn)lashAttention 是一種針對Transformer模型注意力計算的高效優(yōu)化算法，由斯坦福團隊于2022年提出，核心目標是通過硬件感知的內存管理和計算流程重構，顯著降低長序列處理時的顯存占用與計算延遲。

CUTLASS（CUDA Templates for Linear Algebra Subroutines）是NVIDIA推出的開源高性能計算庫，專為GPU加速的線性代數(shù)計算（尤其是矩陣乘法和卷積）設計。其核心目標是通過模塊化模板和硬件級優(yōu)化，為開發(fā)者提供靈活、高效的底層計算內核，支撐AI訓練、科學計算與圖形渲染等領域。

根據(jù)DeepSeek過往提交的論文，DeepSeek大模型訓練成本大幅下降有兩項關鍵技術，一是MoE，另一個就是今天開源的MLA（多頭潛注意力）。

DeepSeek的成本涉及兩項關鍵的技術：一個是MoE，一個就是MLA（Multi-head Latent Attention，多頭潛注意力）。

MLA旨在優(yōu)化傳統(tǒng)Transformer架構的效率與性能，其核心原理包括：

KV壓縮與潛在變量：將鍵（Key）和值（Value）聯(lián)合壓縮為低維潛在向量，顯著減少推理時的KV緩存，降低內存占用。計算時通過升維恢復原始信息，平衡壓縮效率與計算精度。

低秩降維技術：對查詢（Queries）進行低秩壓縮（降維后再升維），減少訓練中的激活內存（activation memory），但需注意此操作不影響KV緩存。

動態(tài)序列處理：針對可變長度輸入序列優(yōu)化，支持高效處理不同長度的句子（如長文本對話場景）。

MLA可將每個查詢KV緩存量減少93.3%，顯著減少了大模型訓練和推理過程中的內存占用

今天開源的MLA是DeepSeek在注意力機制上的重要創(chuàng)新，通過KV壓縮、低秩降維等技術實現(xiàn)高效長序列處理與資源優(yōu)化，成為其模型性能領先的關鍵技術之一。

本周后續(xù)，DeepSeek還將陸續(xù)開源4個代碼庫，期待一下！（宜月）

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。