现代 LLM 的核心架构设计其三：Decoder-Only 下的 KV Cache

其中的基石就是 KV Cache。

1. Decoder-Only#
   18 年，OpenAI 提出了 GPT-1 ：Improving Language Understanding by Generative Pre-Training，其核心内容就是现在的 Decoder-Only 架构，这是目前绝大多数通用大语言模型采用的基本架构。

有了之前的基础，Decoder-Only 的逻辑并不难理解：
研究人员发现，对于语言建模任务而言，并不一定需要单独的 Encoder。只要让模型根据已有文本不断预测下一个 Token，就能够学习语言规律。

因此现代大模型直接移除了 Encoder，同时删除了依赖 Encoder 输出的 Cross Attention，最终仅保留 Decoder 中的 Masked Self-Attention 与 FFN 结构：

image.png

可以看到原始的 GPT-1 基本逻辑仍然是在预训练的模型基础上，继续用特定数据训练，让模型适应某个任务或领域，也就是 Fine-tuning，而这种基础的任务能力现在已经可以靠 prompt 来激活了。
因此，了解 Decoder-Only 架构本身的相关逻辑即可，这里展开两个细节：

1.1 用户输入是如何作用的？#
既然没有 Encoder，一个自然的问题是：

用户输入由谁来理解？

答案是：

用户输入本身就是 Decoder 的输入序列。

我们直接举个例子，用户提问：

法国的首都是哪里？
这句话会直接被转换为 Token 序列：

法国 的 首都 是 哪里 ?
随后送入 Decoder。模型经过一次前向传播后，预测：

巴黎
此时序列变成：

法国的首都是哪里？巴黎
之后同理，继续生成直到生成结束标记：

法国的首都是哪里？巴黎。它位于……
这种根据已经出现的内容预测下一个 Token 的过程就是自回归生成（Autoregressive Generation）。

1.2 Attention 中的重复计算问题#
明白了 Decoder-Only 的生成逻辑后，现在我们来看一个推理时的问题：

第
步时，模型需要计算
个 token 之间的自注意力，然后预测第
个 token。然后第
步，输入变成
个 token，再算一遍注意力，预测第
个。

现在，假设模型已经生成到了第
个 token，第
步计算了 token
到
之间所有注意力。到了第
步，输入变成了 token
到
，标准做法会把 token
到
的 K 和 V 重新计算一遍。

问题就出在这个"再算一遍"上：

在第
步和
步之间，token
到
的 K 和 V 变了吗？

答案是没有。
在参数固定的推理阶段，token
在第一步后就固定了。token
的内容同理在第
步生成后就已经固定了。它们的 K 和 V 不会因为一个新 token 的加入而改变。每次重新计算都是纯粹的浪费。

显然，这里存在相当大的优化空间，这便是 KV Cache 要解决的问题。

21c1e846-9a9b-4f44-84c4-c8e2e6998ed3.png

2. KV Cache#
   2.1 KV Cache 的内容#
   KV Cache 的思路很简单：

在第
步算完
和
后，把它们存起来。第
步只需要计算
和
，然后把它们追加到缓存中。所有之前 token 的 K 和 V 直接从缓存读取。

就像这样：

步骤 计算内容 缓存
生成 token 1 算
，存起来
生成 token 2 只算
，追加到缓存
生成 token 3 只算
，追加到缓存
… 每步只算一个
缓存逐步增长
于是，原本的每一步的注意力计算是这样：

现在加入 KV Cache 就变成了这样：

其中：
，
是缓存的历史。只有
是当前步需要计算的。

很显然，通过 KV Cache 我们消灭了计算 KV 投影时的无用功。在长文本生成时，其带来的性能差距是数量级的。

2.2 为什么 Q 不需要缓存?#
既然 K 和 V 都被缓存了，一个可能的问题是：

为什么不把 Q 也缓存起来复用？

区别在于它们的角色不同：
在自回归生成的每一步，当前 token 的 Q 作用是查询历史信息。
与所有历史 K 计算注意力分数，然后从所有历史 V 中聚合信息来预测下一个 token。

一旦这一步的预测完成，
的历史使命就结束了。
未来步的
只关心它们自己与历史的匹配，不再需要回头看
。

而
和
不一样。它们在第
步生成后，仍然会被未来的所有 token 查询。
只要未来某一刻的
（
）需要与第
步的信息做注意力计算，
和
就必须一直存在。

所以总结来说就是：Q 是查完即弃，无需保留。

2.3 KV Cache 的内存开销#
KV Cache 不是免费的午餐，它的本质就是典型的空间换时间。

在推理过程中，我们将历史 token 的 K 和 V 保存在显存中，以避免后续步骤重复计算。计算省下来了，但这些缓存需要一直保留到生成结束。

对于传统 Multi-Head Attention，每一层 KV Cache 的大小近似为：

其中：

2：表示 K 和 V 各保存一份；
batch_size：批次大小，推理中为并行请求数。
seq_len：当前缓存中的累计 Token 数量。
：隐藏层维度。
dtype_bytes：数据精度占用字节数（FP32 为 4，FP16/BF16 为 2）。
很显然，这并不是一笔小开支。举个简单的例子，假设：

参数 取值
8192
Transformer 层数 80
上下文长度 4096
精度 BF16（2 Byte）
那么单层 KV Cache 大约需要：

80 层累计下来就是：

也就是说，一个拥有数千 token 上下文的大模型会话，仅 KV Cache 就可能占据十 GB 量级的显存。

如果进一步进行批量推理：
，那么 KV Cache 占用还会近似放大 64 倍。
因此，KV Cache 虽然解决了重复计算的问题，却把压力从计算转移到了内存上。

于是这种内存压力，又反过来驱动了注意力结构的变革和一系列配套工程优化，这便是之后的内容了。