机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究提出了FLASH-D，一种改进的变换器注意力机制，通过将Softmax计算与矩阵运算结合，显著提高了计算效率，降低了硬件面积和功耗，具有实际应用潜力。

FlashAttention通过优化注意力算法的内存使用，提升了性能。其核心在于分块处理K、V矩阵，并利用在线softmax技术减少内存读写，从而实现高效的注意力计算。

本文介绍了FlashAttention，一种高效的注意力算法，显著提升了Transformer模型的速度和性能。通过优化内存使用和引入新技术，FlashAttention在大型语言模型中实现了更高效的推理，减少了内存需求并提高了计算速度。研究还探讨了量化技术和新型推理框架，推动了大型语言模型在内存有限设备上的应用。

英伟达与FlashAttention-3合作，优化H100芯片，提升训练速度和计算吞吐量。FlashAttention-3通过IO感知优化和分块处理，充分利用Hopper架构特点。引入异步方式、乒乓调度和两阶段GEMM-softmax流水线方案等技术，提高GPU利用率。采用FP8精度、分块量化和非相干处理技术，提高计算精度。在测试中，FlashAttention-3在注意力基准测试和消融实验中表现出色，速度快3-16倍。

本文介绍了优化的注意力机制，如FlashAttention和FlashAttention-2，旨在提升Transformer模型的效率和性能。通过减少内存读取次数和引入新算法，训练速度显著提高，尤其在长序列上表现优异。此外，提出的可分解关注机制将计算复杂度降低至O(N)，并保持注意力矩阵的完整性，展现出在多种应用中的潜力。

本文介绍了华为云Ascend C的FlashAttention算子性能优化实践，通过计算等价和切分有效降低HBM数据访问量，提升Attention处理性能。优化手段包括tiling基本块大小调整、核间负载均衡、CV流水并行、MTE2流水优化以及FixPipe流水优化等。实测在典型场景中性能提升4倍左右。开发者可参考此案例进行融合算子的性能优化。

本文介绍了FlashAttention-2前向传递的优化实现，使用了自定义融合的CUDA内核，适应NVIDIA Hopper架构，并使用开源的CUTLASS库编写。通过解释在线softmax和连续的GEMM内核融合的挑战和技术，利用Hopper特定的Tensor Memory Accelerator（TMA）和Warpgroup Matrix-Multiply-Accumulate（WGMMA）指令，定义和转换CUTLASS布局和张量，重叠复制和GEMM操作，并选择最优瓦片大小，平衡寄存器压力和共享内存利用率。在单个H100 PCIe GPU上的对比性测试中，与针对上一代NVIDIA Ampere架构进行优化的FlashAttention-2版本相比，FLOPs/s高出20-50%。

本文介绍了Multi-Query Attention技术，可共享Key和Value矩阵，提高推理速度和降低显存占用。MQA和MHA在代码实现上有差异，本地加载ChatGLM2-6B模型。基于P-Tuning v2的微调方法可将参数量减少到原来的0.1%，微调后的模型效果更好。