llama.cpp b12477 为什么只在部分 CUDA 注意力内核轮转 K/V?

周叙
周叙
发布时间:2026-11-18 | 7人浏览过
原创

llama.cpp b12477 新增的 K/V 分块轮转受限于多阶段 CUDA FP16 MMA Flash Attention。处理流式分工时,共享同一缓存的线程块可以减少重复从显存读取。

llama.cpp 封面

改变的是哪一段读取逻辑

使用 stream-K 时,共享同一 K/V 缓存的 CUDA 线程块可以同时读取不同的分块,从而减少二级缓存的复用机会。b12477 的实现为多阶段 FP16 MMA Flash Attention 调整分块读取顺序,使不同线程块更容易重用现有缓存。

llama.cpp b12477 的 CUDA 分块读取补丁和硬件基准说明

哪些内核不在这次改动范围内

维护者在单阶段内核中观察到退化,因此未把轮转策略用于单阶段。发布提供了不同平台的构建,但该优化针对 CUDA 的特定注意力计算路径。仅凭是否用了 b12477 无法推导出 CPU、其他 GPU 后端或所有 CUDA 调用都会获益。

如何解读维护者的长上下文基准

维护者在 GeForce RTX 5090 和 Qwen3.8-27B-UD-Q4_K_M.gguf 上给出预填充对照。表中 131072 和 65536 的深度下提升明显,多个较短深度的成绩近似持平。表中数值属于这套 GPU、模型及预填充条件,不代表其他模型或生成阶段的统一加速比。

本站声明

本文内容仅供参考,不代表本站观点。转载或引用请注明出处。如发现内容问题,请通过联系我们页面反馈。

Python 相关产品和应用

全部下载

专题列表