FastGen：在不降低LLM质量的情况下降低GPU内存成本

　　研究人员来自伊利诺伊大学厄巴纳 - 香槟分校和微软提出了一种名为 FastGen 的高效技术，通过使用轻量级模型分析和自适应键值缓来提高 LLM 的推理效率，而不会降低可见质量。FastGen 通过自适应的键值缓存构造来减少生成推理过程中的 GPU 内存使用量。

　　FastGen 的自适应键值缓存压缩方法减小了 LLM 生成推理内存占用。该方法涉及两个步骤:

　　1. 提示编码:注意模块需要从前面的 i-1标记中收集上下文信息，以生成 LLM 的第 i 个标记。

　　2. 令牌生成:当完成提示编码后，M 逐个标记生成输出，对于每个步骤，使用 LLM 对上一步生成的新标记进行编码。

　　对于 B 模型，FastGen 在所有非自适应键值缓存压缩方法中表现最佳，并随着模型规模的增加而得更高的键值缓存压缩比例，同时保持模型的质量不受影响。例如，与 Llama17B 上的16.9% 压缩比例相比，FastGen 在 Llama1-65B 上获得了44.9% 的缩比例，达到了45% 的胜率。此外，对 FastGen 进行了敏感性分析，选择了不同的超。由于模型保持45% 的胜率，研究表明在更改超参数后对生成质量没有明显影响。

　　伊利诺伊大学厄巴纳 - 香槟分校和微软的研究人员提出了 FastGen，一种新的技，通过使用轻量级模型分析和自适应键值缓存来提高 LLM 的推理效率，而不会降低见质量。研究人员引入的自适应键值缓存压缩通过 FastGen 构建，以减少 LLM 生成推的内存占用。未来的工作包括将 FastGen 与其他模型压缩方法(如量化和蒸馏、分组查询注意等)进行整合。