Zubnet AIAprenderWiki › KV Cache
Infraestrutura

KV Cache

Key-Value Cache
Uma otimização de memória que armazena os tensors de keys e values previamente computados pelo mecanismo de atenção, para que não precisem ser recomputados para cada novo token. Durante geração autoregressiva, cada novo token atende a todos os tokens anteriores. Sem caching, você recomputaria atenção para a sequência inteira a cada passo. O KV cache troca memória por velocidade armazenando o que já foi computado.

Por que importa

O KV cache é por que inferência de LLM é memory-bound, não compute-bound. Uma conversa longa com Claude não usa só memória para os pesos do modelo — o KV cache para um contexto de 100K tokens pode consumir dezenas de gigabytes de VRAM. É a razão pela qual provedores cobram mais por contextos mais longos, por que a “janela de contexto” tem um teto prático além do limite teórico, e por que técnicas como paged attention e eviction de cache são áreas de pesquisa ativas.

Deep Dive

In a Transformer, the attention mechanism computes three matrices for each token: Query (Q), Key (K), and Value (V). The query of the current token is compared against the keys of all previous tokens to produce attention weights, which are then used to weight the values. During generation, the Q changes with each new token, but the K and V for all previous tokens stay the same. The KV cache stores these K and V matrices so they're computed once and reused.

The Memory Math

KV cache size = 2 (K and V) × num_layers × num_heads × head_dim × sequence_length × bytes_per_element. For a 70B model with 80 layers, 64 heads, head dimension 128, at FP16: that's 2 × 80 × 64 × 128 × 2 bytes = ~2.6 MB per token. A 100K context therefore needs ~256 GB of KV cache alone — more than the model weights themselves. This is the fundamental constraint on long-context inference.

Optimizations

Several techniques address KV cache pressure. Grouped Query Attention (GQA) shares key-value heads across multiple query heads, reducing cache size by 4–8x. Multi-Query Attention (MQA) goes further with a single KV head. PagedAttention (used by vLLM) manages cache memory like virtual memory pages, eliminating fragmentation. Sliding window attention limits how far back each token looks, capping cache growth. Quantizing the KV cache to FP8 or INT4 is another practical lever — some quality loss, but 2–4x memory savings.

Conceitos relacionados

← Todos os termos
← Knowledge Graph LangChain →