技术原理

Flash Attention 3：让 GPU 跑满的注意力计算 Flash Attention 系列是近年来大模型工程领域最重要的优化之一。从 Flash Attention 1 到 3，每代都在逼近 GPU 硬件的理论极限。2026 年，Flash Attention 3 已经成为所有主流大模型推理和训练的标配。本文将深入解析其原理。 一、问题：标准注意力的内存瓶颈 1.1 GPU 内存层次 现代 GPU（如 H100）有复杂的内存层次： ┌─────────────────────────────────────────────┐ │ GPU 内存层次 │ ├─────────────────────────────────────────────┤ │ │ │ ┌─────────┐ 延迟: ~20 cycles │ │ │Register │ 带宽: ~30 TB/s │ │ │(SRAM) │ 容量: 256 KB/SM │ │ └─────────┘ │ │ ↑ │ │ ┌─────────┐ 延迟: ~200 cycles │ │ │L2 Cache │ 带宽: ~12 TB/s │ │ │ │ 容量: 50 MB │ │ └─────────┘ │ │ ↑ │ │ ┌─────────┐ 延迟: ~400+ cycles │ │ │ HBM │ 带宽: ~3.35 TB/s (H100) │ │ │(显存) │ 容量: 80 GB │ │ └─────────┘ │ │ │ └─────────────────────────────────────────────┘ 关键洞察：HBM 带宽只有 SRAM 的 1/9，但标准注意力几乎完全在 HBM 上操作。 ...

KV Cache：大模型推理的内存瓶颈 如果说 Transformer 架构决定了一个模型的智力上限，那么 KV Cache 就决定了它在实际应用中的性能下限。在 2026 年，KV Cache 已经成为大模型推理系统最核心的优化对象——理解它，是掌握大模型工程的第一课。 一、什么是 KV Cache 1.1 问题：为什么需要缓存 在 Transformer 的自回归推理中，生成第 $t$ 个 Token 时需要计算它与之前所有 Token 的注意力： $$\text{Attention}(q_t, K_{1:t}, V_{1:t}) = \text{softmax}\left(\frac{q_t K_{1:t}^T}{\sqrt{d_k}}\right) V_{1:t}$$ 注意：$K_{1:t}$ 和 $V_{1:t}$ 包含了从第 1 到第 $t$ 个位置的 Key 和 Value。 如果没有缓存：每生成一个新 Token，都需要重新计算所有历史 Token 的 $K$ 和 $V$，这导致了 $O(t^2)$ 的重复计算。 有了缓存：只需计算当前 Token 的 $q_t$，从缓存中读取 $K_{1:t-1}$ 和 $V_{1:t-1}$，再计算新的 $k_t, v_t$ 并追加到缓存。 ┌─────────────────────────────────────────────┐ │ 自回归推理第 t 步 │ ├─────────────────────────────────────────────┤ │ │ │ 无缓存: X_1..t → 全部重新计算 → Y_t │ │ (计算量: O(t)) │ │ │ │ 有缓存: X_t → Q_t ───────────→ Y_t │ │ ↑ │ │ KV Cache (K_1..t-1, V_1..t-1) │ │ (计算量: O(1)) │ │ │ └─────────────────────────────────────────────┘ 1.2 KV Cache 的存储内容 每个 Transformer 层、每个 Token 需要存储： ...

分词器：大模型的语言基础 分词器（Tokenizer）是大语言模型的第一个组件，决定了文本如何被切分为 Token。分词质量直接影响模型的词汇覆盖、多语言能力、编码效率乃至推理速度。本文深入解析 2026 年主流分词算法的原理与实践。 一、为什么分词很重要 1.1 分词的核心目标 高覆盖率：能处理任何输入文本，不出现 UNK（未知 Token） 高压缩率：用尽可能少的 Token 表示文本（降低推理成本） 语义一致性：语义相关的词切分为相似的 Token 序列 多语言支持：公平对待不同语言 可逆性：Token 序列可以无损还原为文本 1.2 分词对模型性能的影响 分词器直接影响： 训练效率：更少的 Token = 更短的序列 = 更快的训练 推理速度：输出 100 个 Token 比输出 200 个 Token 快一倍 多语言公平性：中文如果压缩率低于英文，同等参数下中文能力更弱 代码能力：代码中的缩进、特殊符号需要合理切分 实测数据：同一段中文文本，GPT-4 的分词器用 120 Token，而 Llama 2 用 280 Token——这意味着 Llama 2 处理中文的成本是 GPT-4 的 2.3 倍。 二、BPE（Byte Pair Encoding） 2.1 算法原理 BPE 从字符级别开始，迭代合并最高频的相邻 Token 对： 初始词表: a, b, c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, x, y, z, ... 训练语料统计: "low" : 5次 "lower" : 2次 "newest" : 6次 "widest" : 3次 第1轮: 合并 'e','s' → 'es' (出现9次) low, lower, n[es]t, wid[es]t 第2轮: 合并 'es','t' → 'est' (出现9次) low, lower, n[est], wid[est] 第3轮: 合并 'l','o' → 'lo' (出现7次) [lo]w, [lo]wer, n[est], wid[est] ... 直到词表大小达到目标 2.2 数学描述 给定训练语料 $\mathcal{D}$，初始词表为所有字符。每轮选择使以下目标最大化的合并对 $(a, b)$： ...

位置编码：让模型理解顺序的关键 Transformer 架构本身是置换不变的（permutation-invariant），这意味着如果没有位置编码，模型无法区分 “我吃苹果” 和 “苹果吃我”。位置编码为序列注入位置信息，是理解文本顺序和层级结构的关键。 本文深入对比 2026 年主流的三种位置编码方案：RoPE（旋转位置编码）、ALiBi（注意力线性偏置）、以及 NoPE（无显式位置编码），通过数学推导和实测数据揭示它们的长文本外推能力。 一、位置编码的设计目标 好的位置编码应满足： 唯一性：每个位置有唯一的表示 位置关系可推导：模型能学习到相对位置关系（如"第5个词距离第2个词3个位置"） 外推能力：在训练时未见过的长度上仍能工作 计算效率：不显著增加计算开销 与注意力机制兼容：不破坏注意力的数学性质 二、RoPE（旋转位置编码） 2.1 数学原理 RoPE 的核心思想是将位置信息编码为旋转操作。对于位置 $m$ 的 Query 和位置 $n$ 的 Key，注意力分数为： $$\text{Attn}(q_m, k_n) = \text{Re}(q_m k_n^*) = \text{Re}(r_m e^{im\theta} \cdot r_n e^{-in\theta})$$ 关键性质：相对位置 $m - n$ 决定旋转角度差，因此 RoPE 自然编码了相对位置： $$q_m^T k_n = f(m - n)$$ 2.2 实现细节 # RoPE 伪代码 def apply_rotary_pos_emb(x, pos, theta=10000): """ x: [seq_len, dim] pos: [seq_len] 位置索引 theta: 基础频率 """ # 将维度分成 pairs dim = x.shape[-1] freqs = 1.0 / (theta ** (torch.arange(0, dim, 2) / dim)) angles = pos[:, None] * freqs[None, :] # 应用旋转 cos, sin = angles.cos(), angles.sin() x_rot = rotate_half(x) return x * cos + x_rot * sin 2.3 外推挑战与解决方案 RoPE 的外推能力受限于训练时的最大长度。如果训练长度为 4096，推理时扩展到 128K 会导致： ...

注意力机制：大模型的认知引擎 注意力机制是大语言模型的核心组件，决定了模型如何"关注"输入信息。经过多年发展，注意力机制已从最初的 Self-Attention 衍生出多种变体，每种都针对特定瓶颈进行了优化。本文将从数学原理到工程实现，全面解析 2026 年主流的注意力机制。 一、Self-Attention（自注意力） 1.1 数学定义 Self-Attention 是 Transformer 的基础操作。给定输入序列 $X \in \mathbb{R}^{n \times d}$，通过三个投影矩阵生成 Query、Key、Value： $$Q = X W_Q, \quad K = X W_K, \quad V = X W_V$$ 注意力输出为： $$\text{Attn}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$ 其中缩放因子 $\sqrt{d_k}$ 防止内积过大导致 softmax 饱和。 1.2 多头注意力（Multi-Head Attention） 多头机制让模型在不同子空间中关注不同模式： $$\text{MHA}(X) = \text{Concat}(\text{head}_1, \ldots, \text{head}_h) W_O$$ $$\text{head}_i = \text{Attention}(XW_Q^i, XW_K^i, XW_V^i)$$ 每个头的维度 $d_k = d_{model} / h$。例如 Llama 3-70B 中，$d_{model} = 8192$, $h = 64$, $d_k = 128$。 ...

引言：Transformer 的统治与挑战 自 2017 年 Google 提出 Transformer 架构以来，它已经统治了自然语言处理乃至整个深度学习领域长达九年。然而到了 2026 年，随着模型规模扩展到万亿参数、上下文窗口增长到百万 Token，原始 Transformer 架构的局限性日益凸显：注意力机制的 $O(n^2)$ 复杂度、推理时 KV Cache 的巨大内存开销、以及训练算力墙的逼近，都在倒逼架构创新。 本文将系统梳理 2026 年 Transformer 架构的三大演进方向：注意力机制优化、混合专家架构（MoE）的成熟、以及以 Mamba 为代表的状态空间模型（SSM）的崛起。 一、注意力机制的进化谱系 1.1 标准 Self-Attention 回顾 标准多头自注意力机制的核心计算为： $$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$ 其中 $Q \in \mathbb{R}^{n \times d_k}$, $K \in \mathbb{R}^{n \times d_k}$, $V \in \mathbb{R}^{n \times d_v}$。其计算复杂度为 $O(n^2 \cdot d)$，空间复杂度同样为 $O(n^2)$，这在长序列场景下成为瓶颈。 1.2 2026 年的注意力新范式 ┌─────────────────────────────────────────────────┐ │ 注意力机制演进谱系 (2026) │ ├─────────────────────────────────────────────────┤ │ │ │ Standard MHA ──► Multi-Query (MQA) │ │ │ │ │ │ │ ▼ │ │ │ Grouped-Query (GQA) │ │ │ │ │ │ │ ▼ │ │ ▼ Latent Attention │ │ Linear Attention │ │ │ │ │ │ ▼ ▼ │ │ Flash Attention 3 Ring Attention │ │ (GPU优化) (分布式) │ └─────────────────────────────────────────────────┘ Latent Attention（潜注意力） 是 2025-2026 年最重要的架构创新之一，由 DeepSeek V3 首先大规模验证。其核心思想是将 Key 和 Value 压缩到低秩潜在空间： ...

2026 年，AI 正在经历从"云端"到"边缘"的大规模迁移。当 2024-2025 年的 AI 讨论主要集中在"云端有多么强大的模型"时，2026 年的重心转向了"如何在用户的设备上运行这些模型"。 这一转变的驱动力来自多个方面：隐私保护（数据不出设备）、延迟要求（实时响应无需网络）、成本优化（云端推理成本可控）和离线可用（无网络覆盖场景）。据 ABI Research 预测，2026 年全球边缘 AI 芯片出货量达到 12 亿颗，市场规模达 $55B。 本文将全面分析大模型在手机、IoT 设备和汽车三大场景中的部署进展。 一、手机端侧 AI：从"AI 手机"到"手机 AI" 技术突破 芯片能力飞跃。 2026 年的旗舰手机 SoC（骁龙 9 Gen 4、天玑 9500、A19 Bionic）普遍集成了独立的 AI 引擎，NPU 算力达到 50-100 TOPS。这使得 7B 参数的模型可以在手机上以实用速度运行（每秒 15-30 token）。 模型压缩技术的成熟。 2026 年是模型压缩技术取得显著突破的一年： 4-bit 量化成为手机端模型的标准配置，将模型大小压缩 75% 且性能损失控制在 2% 以内 蒸馏技术使得 3B-7B 的端侧模型保留了 90%+ 的原始大模型能力 稀疏激活（如混合专家架构）使得每次推理只激活 1/4 的参数量，大幅降低功耗 缓存技术使得常用推理路径可以提前准备，响应速度提升 5 倍 操作系统原生支持。 2026 年的 iOS 19 和 Android 16 都内置了端侧 AI 能力： ...

KV Cache 是大模型推理的核心瓶颈。在 72B 模型上，一个 4K 上下文的请求需要 8GB 的 KV Cache；在 128K 上下文时，KV Cache 膨胀到 256GB——比模型权重还大。2026 年，KV Cache 优化已成为推理引擎的"第二战场"。本文将系统性解析从 PagedAttention 到 MLA 的全链路优化技术。 一、KV Cache 基础 为什么需要 KV Cache？ Transformer 自回归解码时，每生成一个 token 需要关注之前所有 token 的 Key 和 Value。如果不缓存，每步都要重算所有历史 token 的 K/V，复杂度 O(n²)；缓存后，每步只需计算新 token 的 K/V，复杂度 O(n)。 KV Cache 大小计算 KV Cache 大小 = 2 × num_layers × seq_len × num_kv_heads × head_dim × dtype_size 以 Qwen3.5-72B 为例： 参数 值 num_layers 80 num_kv_heads (GQA) 8 head_dim 128 dtype FP16 (2 bytes) 单 token KV Cache = 2 × 80 × 8 × 128 × 2 = 327,680 bytes ≈ 320KB 4K 上下文 = 320KB × 4096 = 1.25GB 32K 上下文 = 320KB × 32768 = 10GB 128K 上下文 = 320KB × 131072 = 40GB 关键问题：128K 上下文下，KV Cache（40GB）已接近模型权重大小（72B FP16 = 144GB），成为显存主要瓶颈。 ...

Speculative Decoding（投机解码）是 2026 年最实用的大模型推理加速技术——它可以在不损失任何输出质量的前提下，将推理速度提升 2-4 倍。本文将从原理到实战，给出完整的配置指南。 一、Speculative Decoding 原理 核心思想 传统自回归解码每次只生成 1 个 token，GPU 大量时间在等待内存读取（memory-bound）。Speculative Decoding 的核心思想是： 1. 用一个小而快的 Draft 模型快速生成 N 个候选 token 2. 用大 Target 模型并行验证这 N 个 token 3. 接受正确的 token，拒绝错误的 token 并从第一个错误处重新生成 为什么能加速？ 传统解码：N 个 token 需要 N 次串行前向传播 投机解码：N 个 token 只需 1 次并行前向传播（验证）+ M 次小模型前向传播 关键洞察：大模型的并行验证成本 ≈ 1 次串行解码成本，但能处理 N 个 token 接受率与加速比 假设 Draft 模型的 token 接受率为 α，投机长度为 N： 期望接受 token 数：α × N 理论加速比：(α × N) / (1 + N × cost_ratio)，其中 cost_ratio = draft_cost / target_cost 当 α = 0.8, N = 5, cost_ratio = 0.05 时，理论加速比 ≈ 3.2x ...

2026 年，模型量化已从"可选优化"变为"必备技能"。随着开源模型参数量从 7B 涨到 671B，不量化的模型在大多数硬件上根本无法运行。但量化方案众多——INT4、INT8、AWQ、GPTQ、GGUF、SmoothQuant——每种方案在质量损失、推理速度和部署便利性上都有不同的 trade-off。本文将通过系统性实测，给出 2026 年最全面的量化技术对比。 一、量化技术概览 主要量化方案 方案 类型 原理 适用场景 INT8 (W8A8) 训练后量化 权重和激活均为 INT8 服务器通用部署 INT4 (W4A16) 训练后量化 权重 INT4，激活 FP16 端侧/消费级GPU GPTQ 训练后量化 基于二阶信息的逐层量化 GPU 推理 AWQ 训练后量化 基于激活感知的权重量化 GPU/Edge GGUF 格式标准 llama.cpp 生态量化格式 CPU/混合推理 SmoothQuant 训练后量化 激活平滑后 INT8 量化 高吞吐服务器 QAT 量化感知训练 训练中模拟量化 追求极致质量 INT2/INT3 极限量化 超低位量化 IoT/微控制器 量化命名规范（GGUF） 名称 权重位宽 说明 Q8_0 8-bit 质量最佳 Q6_K 6-bit 质量优秀 Q5_K_M 5-bit 质量良好 Q4_K_M 4-bit 性价比最优 Q3_K_S 3-bit 极限压缩 Q2_K 2-bit 最大压缩 二、评测设计 测试模型 Qwen3.5-72B（稠密 72B） DeepSeek V4-Lite（236B MoE，激活 21B） Llama 4 Scout（109B MoE，激活 17B） Mistral Large 3（123B 稠密） 测试基准 MMLU-Pro（学术综合） HumanEval+（代码生成） MATH-500（数学推理） 长文本摘要（10K/50K/100K token） 中文问答（C-Eval Pro） 硬件环境 GPU：4×A100 80GB / 单×RTX 4090 24GB CPU：AMD EPYC 9654 + 512GB DDR5 推理引擎：vLLM 0.8 / llama.cpp b3500 三、Qwen3.5-72B 量化实测 质量对比 量化方案 模型大小 MMLU-Pro HumanEval+ MATH-500 C-Eval Pro 平均损失 FP16（基准） 144GB 89.5 93.8 80.3 92.8 0% INT8 (W8A8) 72GB 89.2 93.5 80.0 92.5 0.3% AWQ-INT4 36GB 88.7 93.1 79.5 92.1 0.8% GPTQ-INT4 36GB 88.3 92.8 78.8 91.7 1.2% GGUF Q5_K_M 50GB 88.5 93.0 79.2 92.0 0.9% GGUF Q4_K_M 40GB 87.9 92.5 78.3 91.3 1.6% GGUF Q3_K_S 30GB 86.1 90.8 76.5 89.8 3.4% GGUF Q2_K 20GB 82.3 87.2 72.1 85.5 7.5% INT3 (GPTQ) 27GB 85.5 89.7 74.8 88.2 4.1% 关键发现： ...