Apa Itu KV Cache? Memahami Prefill dan Decode LLM

Cara kerjanya

Prefill memproses prompt. Ketika decode, K dan V token lama disimpan per layer; Query token baru membaca cache itu. Token terpilih ditambahkan ke input dan proses berulang hingga batas atau token akhir.

1. Simpan prefix K/V

   Prefill menghitung prompt dengan causal mask, lalu menyimpan aktivasi K/V pada setiap layer.

2. Decode token baru

   Query baru melihat seluruh Key yang tersedia. K/V prefix tidak diproyeksikan ulang.

3. Ulangi autoregresi

   Token baru menjadi bagian input berikutnya. Edit prefix membatalkan cache yang bergantung padanya.

Apa yang dapat kamu amati di lab?

Rak menyimpan dua aliran: K dan V. Jalur balik membawa token baru ke model. Cache tidak menyimpan seluruh jawaban yang sudah disiapkan.

Pemindai membuka catatan. Pelacak token memilih posisi token. Lensa head membandingkan dua head demo. Pengendali waktu menjeda sinyal. Kalibrator mengubah kondisi eksperimen sebelum kamu memprediksi dan menguji hasilnya.

Hal yang perlu diingat

Visualisasi memakai aliran dan fixture ilustratif. Referensi GPT-3 175B memiliki 96 blok, 96 head per blok, lebar 12.288, dan konteks 2.048 token. Paper GPT-3 memakai attention dense dan locally banded sparse bergantian; lab ini membedah causal dense attention. Workbench angka memakai model mainan dua blok, dua head, lebar 8, dan vocabulary 16. Bobot GPT-3 tidak dimuat, dan preset tidak menghasilkan jawaban dari model bahasa terlatih.

Sumber primer

• GPT-3 · Language Models are Few-Shot Learners

  Skala 175B: 96 blok, lebar 12.288, 96 head, konteks 2.048; attention dense dan locally banded sparse bergantian.

• GPT-2 · implementasi referensi

  Pre-norm, learned position, GELU, residual, dan tied embedding.

• Attention Is All You Need

  Dasar scaled dot-product dan multi-head attention.

• Word representations · Mikolov et al.

  Latar word embeddings statis dan hubungan geometris.

• KV cache · Hugging Face

  Perbedaan prefill, decode, dan pemakaian ulang K/V.