注意力机制 KV Cache 显存膨胀对照基准 (GQA 对比 DeepSeek MLA)
KV Cache 显存膨胀是导致长文本推理时 CUDA 显存溢出 (OOM) 的核心元凶。标准分组查询注意力 (GQA) 在所有层中保存未经压缩的完整 Key 与 Value 向量;而 DeepSeek 多头潜在注意力 (MLA) 将联合 KV 状态投影至 576 维紧凑潜在空间,在 32k 至 128k 上下文下显存缩减高达 82%:
| 上下文窗口 | 传统多头 MHA (FP16) | 标准分组 GQA (FP16) | DeepSeek MLA (FP16) | MLA 节省显存幅度 | 最低安全显存门槛 |
|---|---|---|---|---|---|
| 4,096 词元 (4k) | 4.10 GB | 1.03 GB | 0.29 GB | -72% VRAM | 8 GB 显卡 (入门) |
| 8,192 词元 (8k) | 8.20 GB | 2.05 GB | 0.58 GB | -72% VRAM | 12 GB 显卡 (RTX 3060) |
| 16,384 词元 (16k) | 16.40 GB | 4.10 GB | 1.16 GB | -72% VRAM | 16 GB 显卡 (4070 Ti S) |
| 32,768 词元 (32k) | 32.80 GB | 8.20 GB | 2.32 GB | -72% VRAM | 24 GB 显卡 (RTX 4090) |
| 65,536 词元 (64k) | 65.60 GB | 16.40 GB | 4.64 GB | -72% VRAM | 32 GB 显卡 (RTX 5090) |
| 131,072 词元 (128k) | 131.20 GB | 32.80 GB | 9.28 GB | -72% VRAM | 48GB+ 显卡 / Mac 统一内存 |