MLA（多头潜在注意力）原理概述
注意力机制的发展经历了MHA,MQA,GQA,MLA。
时间复杂度：MHA为O(n²)，MQA、GQA、MLA通过优化降低至O(n)
为了减少KV缓存，主要有以下几种方法：
- 共享KV：多个Head共享使用1组KV，将原来每个Head一个KV，变成1组Head一个KV，来压缩KV的存储。代表方法：GQA，MQA等
- 窗口KV：针对长序列控制一个计算KV的窗口，KV
cache只保存窗口内的结果（窗口长度远小于序列长度），超出窗口的KV会被丢弃，通过这种方法能减少KV的存储，当然也会损失一定的长文推理效果。代表方法：Longformer等 - 量化压缩：基于量化的方法，通过更低的Bit位来保存KV，将单KV结果进一步压缩，代表方法：INT8等
- 计算优化：通过优化计算过程，减少访存换入换出的次数，让更多计算在片上存储SRAM进行，以提升推理性能，代表方法：flashAttention等
一、过程
1.KV部分
对于输入向量，使用矩阵W_DUK进行联合压缩，得到低秩矩阵C_KV。
然后分别使用W_UK和W_UV对K和V进行还原，得到K_C和V_C
为了加入ROPE旋转位置编码，从输入向量中通过线性映射得到共享的K_R。
合并K_C和K_R，得到完整的K。
2.Q 部分
对于输入向量，通过W_DQ压缩为Q_C。
然后从Q_C进行线性变换，得到Q_R。
一样合并，得到完整的Q。
3.注意力计算
进入正常的注意力计算公式。
4.整体公式
缓存
在MLA中，KV缓存，只需要缓存W_DUK和K_R即可。
二、问答环节
1.为什么MLA推理的计算量那么大，推理效率却高
答：我们可以将LLM的推理分两部分：第一个Token的生成（Prefill）和后续每个Token的生成（Generation），Prefill阶段涉及到对输入所有Token的并行计算，然后把对应的KV Cache存下来，这部分对于计算、带宽和显存都是瓶颈，MLA虽然增大了计算量，但KV Cache的减少也降低了显存和带宽的压力，大家半斤八两；
但是Generation阶段由于每步只计算一个Token，实际上它更多的是带宽瓶颈和显存瓶颈，因此MLA的引入理论上能明显提高Generation的速度。
2.mla和lora的区别
答：
1，目标上，MLA是一种注意力机制优化方案 ，旨在通过低秩分解压缩键值（KV）矩阵，减少计算复杂度；LoRA 是一种模型微调技术。
2.结构上，MLA直接改造注意力层，LORA是在原模型的权重矩阵旁插入低秩分解的适配层。
3.前者要加ROPE位置编码，后者没有。
3.MLA的矩阵吸收
参考文献
deepseek技术解读(1)-彻底理解MLA（Multi-Head Latent Attention） - 姜富春的文章 - 知乎
https://zhuanlan.zhihu.com/p/16730036197
缓存与效果的极限拉扯：从MHA、MQA、GQA到MLA - 苏剑林的文章 - 知乎
https://zhuanlan.zhihu.com/p/700588653
再读MLA，还有多少细节是你不知道的 - 猛猿的文章 - 知乎
https://zhuanlan.zhihu.com/p/19585986234
https://blog.csdn.net/v_JULY_v/article/details/141535986?fromshare=blogdetail&sharetype=blogdetail&sharerId=141535986&sharerefer=PC&sharesource=qq_43814415&sharefrom=from_link