大模型推理引擎vLLM(14): 什么是MLA多头潜在注意力

abstract
MLA就是压缩KV减少显存占用
增加向量维度表示位置信息，以支持矩阵乘法融合，

1 视频1

视频地址：DeepSeek-v2 MLA 原理讲解





多头潜在注意力怎么解决旋转位置编码的问题

解决方式就是给Q K向量额外增加一些维度来表示位置信息，

2 疑问和个人理解

2.1 个人理解：什么是MLA

我的理解，什么是MLA，MLA其实就是为了减少KV CACHE的空间占用，用一个矩阵乘以K V然后做了压缩，等后面计算注意力的时候再用一个矩阵乘以压缩后的得到正常的KV，所以所谓的MLA其实一句话总结就是压缩KV节省缓存，其实就跟一个大文件，我压缩包然后放到电脑中，等我真正要看这个文件，我再解压然后去看这个文件，这是一个意思，

2.2 疑问：位置信息是怎么优化的

然后他对位置信息还有个优化，就是之前位置信息是通过将Q K乘以一个旋转位置编码矩阵使Q K的向量中包含了位置信息，但是现在如果还是这么做，那么就没法使用矩阵乘法的融合从而减小 运算了，所以DeepSeek采用了另一个方法，就是现在位置信息我不是去乘以Q K 了，而是我通过一个将Q K 乘以一个矩阵然后再用旋转位置编码，然后接着我把得到的这个位置信息加到前面Q K 的维度上，通过增加维度信息来表示位置编码，这样数学推导上就又可以采用矩阵融合的方式了，那么 也就继续可以用矩阵乘法融合从而减小运算律，
其实我觉得他就是位置信息单独计算了，而不是跟之前一样直接乘到Q K上面，

参考文献

DeepSeek-v2 MLA 原理讲解