本文提出了一种名为MHA2MLA的数据高效微调方法，旨在降低深度学习模型中多头注意力推理的成本。研究表明，该方法能够使用0.3%到0.6%的数据恢复性能，同时显著降低推理成本并压缩KV缓存。

Towards Economical Inference: Enabling DeepSeek's Multi-Head Latent Attention in Any Transformer-based LLM
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证