Agent初创实习-大模型推理加速02

H2O 方法汇报：Heavy-Hitter Oracle 如何动态压缩 KV Cache参考论文：H2O: Heavy-Hitter Oracle for Efficient Generative Inference of Large Language Models本汇报回答三个问题：H2O 的 pipeline 是怎么实现的？它为什么能推理加速？它和 StreamLLM 的“attention sink + sliding window”有什么区别？1. 先说结论H2O 做的事情很直接：在生成过程中，不保存所有历史 token 的 KV cache，只动态保留“最近 token”和“历史上最常被注意到的 token”。其中，“历史上最常被注意到的 token”就是 Heavy Hitters，也就是 H2。它不是固定保留开头几个 token，也不是固定保留每隔几个 token，而是每一步生成时根据 attention 分数更新 token 的重要性。谁在过去生成过程中反复被后续 token 注意到，谁就更可能留在 KV cache 里。一句话类比：StreamLLM 像固定保留“开头几个主持人 + 最近聊天内容”；H2O 像动态保留“最近聊天内容 + 整场对话里一直被大家反复引用的关键人物”。2. 背景：为什么 KV cache 会成为瓶颈自回归生成时，模型每生成一个新 token，都要看前面所有 token。为了避免每一步都重新计算历史 token 的 key 和 value，推理系统会保存历史 token 的 KV cache。标准做法是：第 1 步：保存 token 1 的 KV 第 2 步：保存 token 1,2 的 KV 第 3 步：保存 token 1,2,3 的 KV ... 第 n 步：保存 token 1...n 的 KV问题是 KV cache 的显存开销会随着：序列长度batch size层数hidden size线性增长。长文本生成和大 batch 推理时，KV cache 可能比你想象中大得多。论文里举例，30B 模型、batch size 128、sequence length 1024 时，KV cache 可以到 180GB。所以 H2O 的目标是：不保存全部 KV，只保留一小部分关键 KV，同时尽量不掉效果。3. H2O 的两个核心观察3.1 Attention 很稀疏虽然 Transformer 是 dense attention，但实际推理时，每个新 token 通常只强烈关注少数历史 token。也就是说：当前 token 生成时，并不是每个历史 token 都同等重要。论文观察到，LLM 推理阶段的 attention matrix 很稀疏，大部分位置的 attention 分数很低。这说明：保留全部 KV 可能是浪费的。3.2 少数 token 长期很重要，也就是 Heavy Hitters论文进一步发现，历史 token 的累计 attention 分数呈现长尾分布。也就是说，少数 token 会反复被后续 token 注意到，它们贡献了大部分注意力价值。这些 token 就叫 Heavy Hitters。举个直观例子：输入：Children laughed and played in the sunny park ...在后续生成中，模型可能经常回看：Childrenplayedpark而一些功能词可能很少被回看。H2O 的直觉是：如果 KV cache 空间有限，与其随机留，不如留“最近 token + 历史高注意力 token”。4. H2O Pipeline下面是 H2O 的整体流程。