DeepSeekV3的attention模塊采用了MLA（Multi-head Latent Attention，多頭潛注意力）結構，通過對attention過程中的Key和Value進行低秩聯(lián)合壓縮，降低推理過程中需要的KV cache，提升推理效率。MLA對attention過程中的Query也進行了低秩壓縮，可以減少訓練過程中激活的內(nèi)存。

大模型的推理分為兩階段，處理所有輸入prompt并產(chǎn)生首個token的過程稱為prefill，此后至產(chǎn)生所有token結束推理的過程稱為decode，本文的MLA算子融合及優(yōu)化特指decode過程。

MLA的計算過程比較復雜，包括下投影、上投影、attention和輸出投影，為了減少數(shù)據(jù)搬運和任務調(diào)度帶來的時間開銷，提升芯片效率，我們在SC11上，將上投影和attention過程融合成MLA大算子，如圖1所示。DeepSeekV3提供了兩種計算模式：na?ve和absorb，我們采用計算量更少的absorb方式實現(xiàn)MLA decode過程，步驟如下：

圖1-SC11 MLA decode融合算子示意圖

常用的attention并行部署方案有兩種，TP（Tensor Parallel，張量并行）和DP（Data parallel，數(shù)據(jù)并行）。TP將權重切分到多顆芯片，每顆芯片會重復加載KV cache。DP將數(shù)據(jù)按batch分配到多顆芯片，每顆芯片處理不同batch的數(shù)據(jù)，但會重復加載權重。實際應用過程中，可以根據(jù)權重和緩存的大小選擇并行部署方案，權重和緩存大小如表1所示。

表1 權重與緩存數(shù)據(jù)大小

#seqlen指所有batch數(shù)據(jù)序列長度總和。

在SC11部署DeepSeekV3模型時，由于應用場景中的權重數(shù)據(jù)多于KV cache數(shù)據(jù)，所以MLA階段采用TP方案進行部署，即將Query、Key和Value的上投影權重矩陣按head切分，部署到四張SC11。DeepSeekV3的參數(shù)中，上投影權重有128頭，因此每張板卡處理32頭。每顆芯片有多個核，上投影權重會繼續(xù)按head切分到多核。由于低秩的KV cache不包含head維度，無法對KV cache進行TP，為了充分利用多核優(yōu)勢，我們對MLA的實現(xiàn)方式進行了探索，優(yōu)化了不同batch數(shù)目和序列長度下的實現(xiàn)方案，如表2所示。

表2 MLA decode多核實現(xiàn)方案

除了算子融合與動態(tài)調(diào)用優(yōu)化后的實現(xiàn)方案，MLA的實現(xiàn)過程也采用了業(yè)界常用的Flash Attention和Page Attention等優(yōu)化方法，進一步減少數(shù)據(jù)搬運和內(nèi)存占用。在Page Attention過程中，我們采用兩塊buffer優(yōu)化KV cache搬運，使得數(shù)據(jù)搬運和MLA計算同步進行，優(yōu)化過程如圖2所示。圖中SDMA代表負責DDR和L2 SRAM之間或內(nèi)部的數(shù)據(jù)搬運模塊，GDMA代表負責任意內(nèi)存之間數(shù)據(jù)搬運的模塊，BDC代表負責數(shù)據(jù)計算的單元。

在時刻T0同時進行兩個操作：

SDMA將batch 0以page方式存儲的KV cache從DDR搬到L2 SRAM中的Buffer0，形成連續(xù)存儲的緩存數(shù)據(jù)；

GDMA將上投影權重從DDR搬到芯片的片上內(nèi)存（local memory）。

在時刻T1同時進行三個操作：

SDMA將batch 1以page方式存儲的KV cache從DDR搬到L2 SRAM中的Buffer1，形成連續(xù)存儲的緩存數(shù)據(jù)；

GDMA將Buffer0中連續(xù)存儲的batch 0的KV cache數(shù)據(jù)從L2 SRAM搬到localmemory；

BDC對batch 0進行MLA計算。

時刻T2和T3的操作可依此類推。測試數(shù)據(jù)表明，在128 batch 512序列的decode過程，使用雙buffer優(yōu)化page attention實現(xiàn)過程后，可以節(jié)省30%的推理時間。

圖2-雙buffer優(yōu)化Page Attention實現(xiàn)過程

經(jīng)過融合與優(yōu)化后的MLA，助力了DeepSeekV3全流程的性能，當模型處理128 batch數(shù)據(jù)，每batch輸入序列長度為128，輸出序列長度為1024時，DeepSeekV3全流程在4卡SC11上能達到532 token/s。

作者：周文婧，陳學儒，溫舉發(fā)