计算机科学 > 硬件架构
[提交于 2025年7月21日
]
标题: 新的LLM瓶颈:对潜在注意力和专家混合的系统视角
标题: The New LLM Bottleneck: A Systems Perspective on Latent Attention and Mixture-of-Experts
摘要: 传统Transformer模型的计算工作负载明显分为两部分。 多头注意力(MHA)是内存受限的,算术强度低,而前馈层是计算受限的。 这种差异长期以来促使研究专门的硬件以缓解MHA瓶颈。 本文认为,最近的架构变化,即多头潜在注意力(MLA)和专家混合(MoE),挑战了专用注意力硬件的前提。 我们做出两个关键观察。 首先,MLA的算术强度比MHA高两个数量级,使其接近适合现代加速器(如GPU)的计算受限区域。 其次,通过将MoE专家分布在加速器池中,可以通过批处理调整其算术强度以匹配密集层的算术强度,从而创建更平衡的计算配置。 这些发现表明对专用注意力硬件的需求正在减少。 下一代Transformer的主要挑战不再是加速单个内存受限层。 相反,重点必须转向设计具有足够计算能力、内存容量、内存带宽和高带宽互连的平衡系统,以应对大规模模型的多样化需求。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.