aixiv专栏长期致力于分享学术和技术前沿内容，已发表2000余篇来自全球顶尖高校和企业实验室的文章，为学术交流和传播做出了重要贡献。欢迎各位专家学者投稿或联系报道，投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
大语言模型的广泛应用带来了大规模推理的巨大挑战。传统注意力机制中的键值缓存（KV Cache）随着批处理大小和序列长度线性增长，成为限制大模型规模化应用和推理效率的瓶颈。
虽然MQA、GQA、MLA等改进方案已出现，但它们或难以在严格的显存限制下保持性能，或引入额外的复杂度，造成工程难题和兼容性问题。
阶跃星辰、清华大学等机构近期发表的论文《Multi-matrix Factorization Attention》提出了一种新型注意力机制——多矩阵分解注意力（MFA）及其变体MFA-Key-Reuse（MFA-KR）。该方法在显著降低推理成本的同时，提升了模型性能。
论文链接：https://www.php.cn/link/aac8f7d518e4300ab8031d6709164f1d
实验表明，MFA和MFA-KR不仅性能超越MLA，而且在KV Cache使用量减少高达93.7%的情况下，性能与传统MHA相当。MFA易于实现和复现，对超参数不敏感，并兼容各种位置编码。
MFA方法及分析
研究团队通过对注意力机制的容量分析，确定了影响其容量的关键维度，并提出了一系列分析方法和设计原则。
研究团队提出了广义多头注意力（GMHA）框架，统一理解不同MHA变体。他们从推理角度研究键值的计算和存储，从分解角度探讨模型容量特征，为理解不同策略的权衡提供了新视角。
研究团队将完全参数化双线性注意力（FPBA）作为理论性能上限，发现现有MHA及其变体都是FPBA的低秩分解版本。他们分析了MQA和MLA两种代表性改进方案：MQA采用激进的参数共享策略，降低内存使用但可能影响表达能力；MLA引入共享潜在空间，但表达能力受限于最小维度。
基于以上分析，研究团队提出了MFA，旨在最大限度地节省资源并接近理论性能上限。MFA的三个关键创新：突破传统设计限制，增加注意力头的数量和维度；采用创新的低秩分解策略，提高参数效率；采用单键值头设计，降低内存使用。
为了对比MFA和其他注意力机制，研究团队引入了两个关键指标：模型总有效秩TER和共享隐空间维度SLSD。TER越高，模型容量越高；SLSD代表所有注意力头共同使用的隐空间维度。KV Cache占用受制于FRH和SLSD中的较大值。
分析表明，MFA在参数预算下比MQA拥有更高的SLSD和TER；比MLA拥有更小的KV Cache尺寸和更高的TER，同时保持相当的SLSD；比MHA拥有更高的TER，解释了其性能优势。
实验结果
研究团队进行了大规模扩展性实验（1B到7B参数，10B到1T训练数据），MFA展现出与传统MHA相当的扩展能力。MFA和MFA-KR在内存节省方面优势显著，最大规模模型上分别实现87.5%和6.25%的内存节省。
消融实验验证了MFA和MFA-KR设计的有效性，并在其他主流位置编码上也验证了其性能优势。
展望
MFA以简洁的设计解决了LLM高效推理的显存瓶颈问题，并能无缝集成到现有Transformer生态中。这项创新将加速大语言模型的应用。
