本文第一作者肖光烜是麻省理工学院电子工程与计算机科学系（MIT EECS）的三年级博士生，师从韩松教授，研究方向为深度学习加速，尤其是大型语言模型（LLM）的加速算法设计。他在清华大学计算机科学与技术系获得本科学位。他的研究工作广受关注，GitHub上的项目累计获得超过9000颗星，并对业界产生了重要影响。他的主要贡献包括SmoothQuant和StreamingLLM，这些技术和理念已被广泛应用，集成到NVIDIA TensorRT-LLM、HuggingFace及Intel Neural Compressor等平台中。本文的指导老师为韩松教授（https://songhan.mit.edu/）

TL;DR：DuoAttention通过将大语言模型的注意力头分为检索头（Retrieval Heads，需要完整KV缓存）和流式头（Streaming Heads，只需固定量KV缓存），大幅提升了长上下文推理的效率，显著减少内存消耗、同时提高解码（Decoding）和预填充（Pre-filling）速度，同时在长短上下文任务中保持了准确率。

单GPU实现330万Token上下文推理演示视频：

随着大语言模型（Large Language Models，LLMs）在各类任务中的广泛应用，尤其是在长上下文（Long-Context）场景中处理海量文本信息，如何在保证模型性能的同时减少内存和计算成本，成为了一个亟待解决的难题。为此，来自 MIT、清华大学、上海交通大学、爱丁堡大学和NVIDIA的研究团队联合提出了DuoAttention框架。这项创新技术通过对大语言模型的注意力机制（Attention Mechanism）进行精细化设计，极大提高了长上下文推理的效率，并大幅降低了内存需求，在不牺牲模型准确性的前提下，推动了LLM在长上下文任务中的发展。

研究背景：长上下文处理的挑战

现代大语言模型（如Llama、GPT等）在多轮对话、长文档摘要、视频和视觉信息理解等任务中需要处理大量历史信息，这些任务往往涉及数十万甚至上百万个token的上下文信息。例如，处理一篇小说、法律文档或视频转录内容，可能需要分析百万级别的token。然而，传统的全注意力机制（Full Attention）要求模型中的每个token都要关注序列中的所有前序token，这导致了解码时间线性增加，预填充（Pre-Filling）时间呈二次增长，同时，KV缓存（Key-Value Cache）的内存消耗也随着上下文长度成线性增长。当上下文达到数百万token时，模型的计算负担和内存消耗将达到难以承受的地步。

DuoAttention的创新设计

针对这一问题，DuoAttention框架提出了创新性的「检索头（Retrieval Heads）」与「流式头（Streaming Heads）」的分离方法。这一设计的核心理念是：并非所有的注意力头（Attention Heads）在处理长上下文时都需要保留完整的KV缓存。研究团队通过大量实验发现，在长上下文推理任务中，只有一小部分注意力头，即「检索头」，需要对全部token进行关注，以获取上下文中的关键信息。而大多数注意力头，即「流式头」，只需关注最近的token和注意力汇点（Attention Sinks），不需要存储全部的历史KV状态。

图1展示了在Llama-2-7B模型上使用全注意力机制的注意力图（Attention Maps）。从图中可以看到，检索头（Retrieval Heads）捕获了上下文中如「best」、「fruit」和 「orange」等关键信息，这些信息对于处理长上下文至关重要，因而需要完整的KV缓存。而流式头（Streaming Heads）则主要关注最近的token和注意力汇点，不需要保留所有历史信息。

DuoAttention的工作原理

图2 | 说明了DuoAttention的基本工作原理。

框架通过以下几种关键机制来优化推理过程：

检索头的KV缓存优化：DuoAttention为检索头保留完整的KV缓存，这些头对长距离依赖信息的捕捉至关重要。如果对这些头的KV缓存进行剪裁，将导致模型性能严重下降。因此，检索头需要对上下文中的所有token保持「全注意力（Full Attention）」。

流式头的轻量化KV缓存：流式头则主要关注最近的token和注意力汇点。这意味着它们只需要一个固定长度的KV缓存（Constant-Length KV Cache），从而减少了KV缓存对内存的需求。通过这种方式，DuoAttention能够以较低的计算和内存代价处理长序列，而不会影响模型的推理能力。

检索头的自动识别：为了准确区分哪些头是检索头，DuoAttention提出了一种轻量化的优化算法，使用合成数据集来训练模型自动识别重要的检索头。这种优化策略通过密码召回任务（Passkey Retrieval），确定哪些注意力头在保留或丢弃KV缓存后对模型输出有显著影响。最终，DuoAttention在推理时根据这一识别结果，为检索头和流式头分别分配不同的KV缓存策略。

图3 | DuoAttention使用的合成数据集中的一个样例。 图4 | DuoAttention最终确定LLM中各个注意力头的类别。

性能与准确率实验

为了验证DuoAttention框架的有效性，研究团队在多种主流LLM架构上进行了广泛的实验评估，包括Llama-2、Llama-3和Mistral模型。实验不仅测试了DuoAttention在内存与计算效率上的提升，还通过长上下文和短上下文任务对模型的准确率进行了全面测试。

1. 长上下文任务的评估：在Needle-in-a-Haystack（NIAH）基准测试中，DuoAttention在极深的上下文条件下表现卓越，保持了高精度，并在处理1048K个token的长上下文时，依然能够保持稳定的准确率，而其他方法由于丢失关键信息导致性能下降显著。在14个LongBench基准测试中，DuoAttention展现了在不同任务下的强大泛化能力，能够以较低的KV缓存预算，提供接近全注意力机制的准确性。在多头注意力模型（MHA）上，DuoAttention使用25%的KV缓存预算即可在多数任务中取得与全缓存相当的效果，而在分组查询注意力模型（GQA）上，50%的KV缓存预算即可维持高精度表现。

‍

2. 短上下文任务的评估：在MMLU（多项选择题）、MBPP（编程能力）和MT-Bench（帮助能力）等短上下文基准上，DuoAttention也表现出色。在使用50%流式头的情况下，DuoAttention的表现几乎与全注意力机制一致，保持了LLM在短文本任务上的原始能力。例如，在MMLU基准上，DuoAttention仅以0.03%的差距（79.35%对比79.38%）实现了与全注意力机制的相近性能。

内存与效率的提升

内存消耗显著降低：DuoAttention在多头注意力模型（Multi-Head Attention，MHA）上将内存消耗减少了2.55倍，在分组查询注意力模型（Grouped-Query Attention，GQA）上减少了1.67倍。这是由于对流式头采用了轻量化的KV缓存策略，使得即使在处理百万级别的上下文时，模型的内存占用依然保持在较低水平。

解码（Decoding）和预填充（Pre-Filling）速度提升：DuoAttention的解码速度在MHA模型中提升了2.18倍，在 GQA 模型中提升了1.50倍。在预填充方面，MHA和GQA模型的速度分别加快了1.73倍和1.63倍，有效减少了长上下文处理中的预填充时间。

百万级token处理能力：结合4比特量化（Quantization）技术， DuoAttention实现Llama-3-8B在单个A100 GPU上处理高达330万token的上下文，这一结果是标准全注意力机制的6.4倍。

应用场景与未来展望

DuoAttention框架为处理长上下文的应用场景带来了巨大的变革，特别是在需要大规模上下文处理的任务中表现突出，包括：

多轮对话系统（Multi-Turn Dialogues）：DuoAttention使对话模型能够高效处理长时间对话记录，从而更好地理解用户上下文，提升交互体验。

长文档处理与摘要生成：在文档分析、法律文本处理、书籍摘要等任务中，DuoAttention极大减少内存占用，同时保持高精度，使长文档处理更加可行。

视觉与视频理解：在涉及大量帧的上下文信息处理的视觉和视频任务中，DuoAttention为视觉语言模型（Visual Language Models，VLMs）提供了高效推理方案，显著提升了处理速度。

研究团队期望DuoAttention框架能够继续推动LLM在长上下文处理领域的发展，并为更多实际应用场景带来显著提升。

--机器之心