摩爾線程科研團(tuán)隊(duì)近期公布了一項(xiàng)創(chuàng)新研究成果，名為《Round Attention：利用輪次塊稀疏性革新多輪對話優(yōu)化路徑》。這一突破性進(jìn)展使得推理引擎的端到端延遲顯著低于當(dāng)前主流的Flash Attention，同時(shí)在鍵值緩存（kv-cache）顯存占用上實(shí)現(xiàn)了最高82%的節(jié)省。

隨著AI大型語言模型的快速發(fā)展，語言模型服務(wù)在日常問題解決任務(wù)中的應(yīng)用日益廣泛。然而，長時(shí)間的用戶交互帶來了兩大挑戰(zhàn)：一是上下文長度的急劇增加導(dǎo)致自注意力機(jī)制的計(jì)算開銷劇增，因其復(fù)雜度與長度的平方成正比；二是鍵值緩存技術(shù)雖然在一定程度上緩解了冗余計(jì)算問題，但隨之而來的GPU內(nèi)存需求激增，限制了推理批處理的規(guī)模，降低了GPU的利用率。

為了應(yīng)對這些挑戰(zhàn)，摩爾線程提出了Round Attention機(jī)制。該機(jī)制的核心在于以輪次為單位分析Attention規(guī)律，專為多輪對話場景設(shè)計(jì)。通過對輪次粒度的Attention分布進(jìn)行深入研究，摩爾線程發(fā)現(xiàn)了兩個(gè)重要規(guī)律，這些規(guī)律為優(yōu)化提供了理論基礎(chǔ)。

基于這些發(fā)現(xiàn)，摩爾線程進(jìn)一步設(shè)計(jì)了Round Attention推理流水線。這一流水線將稀疏性從傳統(tǒng)的Token級(jí)提升到了塊級(jí)，通過選取最相關(guān)的塊參與Attention計(jì)算，顯著減少了計(jì)算耗時(shí)。同時(shí)，將不相關(guān)的塊卸載到CPU內(nèi)存，從而有效節(jié)省了顯存占用。這一策略在保持推理精度的前提下，顯著提升了推理效率并降低了資源消耗。

摩爾線程指出，輪次塊稀疏性具有三大顯著優(yōu)勢：首先，以輪次為自然邊界的劃分保證了語義的完整性；其次，在分水嶺層實(shí)現(xiàn)了注意力的穩(wěn)定性；最后，在端到端層面實(shí)現(xiàn)了存儲(chǔ)與傳輸?shù)膬?yōu)化。這些優(yōu)勢共同促成了Round Attention的高效表現(xiàn)。

實(shí)驗(yàn)結(jié)果顯示，與主流的Flash Attention推理引擎相比，Round Attention在端到端延遲方面表現(xiàn)出色，同時(shí)在kv-cache顯存占用上節(jié)省了55%至82%。在主觀評測和客觀評測的兩個(gè)數(shù)據(jù)集上，模型推理準(zhǔn)確率基本保持不變，驗(yàn)證了Round Attention的有效性和實(shí)用性。