1. KV缓存基础：从自注意力到推理加速

各位同学好，我是这门课的主讲。今天咱们聊聊KV缓存——这个让大模型推理快上几倍甚至几十倍的核心技术。

说实话，我第一次接触KV缓存时，也觉得它不过是个简单的“存中间结果”技巧。直到我在一个线上推理服务里，亲眼看着QPS从50飙到300，才真正意识到它的威力。嗯，这节课我们就从最基础的东西开始，把KV缓存的来龙去脉彻底讲清楚。

1.1 自注意力机制回顾

要理解KV缓存，得先回到Transformer的心脏——自注意力机制。说白了，自注意力就是让每个词都能“看到”序列里的所有其他词。

公式很简单，但很重要：

Attention(Q, K, V) = softmax(Q × K^T / √d_k) × V

其中：

• Q（Query）：当前词的查询向量，相当于“我在找什么”
• K（Key）：所有词的键向量，相当于“我有什么信息”
• V（Value）：所有词的值向量，相当于“我的实际内容”

计算过程分三步：

1. Q和K做点积，得到注意力分数矩阵
2. 用softmax归一化，得到注意力权重
3. 权重乘以V，加权求和得到输出

我在优化一个对话模型时发现，很多人把注意力机制想得太复杂。其实你想想看，它就是个“信息检索”的过程——Q是搜索词，K是索引，V是文档内容。

1.2 为什么需要KV缓存

好，问题来了。在自回归生成时，模型是一个词一个词往外蹦的。每次生成新词，都要重新计算整个序列的注意力。

举个例子：生成“今天天气真好”这句话：

• 第1步：输入“今天”，计算“今天”的注意力
• 第2步：输入“今天天气”，重新计算“今天”和“天气”的注意力
• 第3步：输入“今天天气真”，重新计算前面3个词的注意力
• ……

你发现问题了吗？每次生成新词，前面所有词的K和V都要重新算一遍。这太浪费了！

我曾经在一个项目里，没做KV缓存，生成128个token的序列，单次推理耗时从5ms涨到了80ms。做了缓存后，稳定在6ms左右。差距就是这么明显。

1.3 KV缓存的核心思想

KV缓存的思想极其简单，但效果惊人：

把每一步计算出的K和V存起来，供后续步骤复用。

具体来说：

• 生成第1个token时，正常计算K和V，并存入缓存
• 生成第2个token时，只计算新token的K和V，从缓存读取历史K和V
• 以此类推，每次只计算新token的K和V

1.4 KV缓存的计算流程

下面这张图展示了带KV缓存的完整推理流程：

流程其实不复杂：

1. 新token进来，做embedding
2. 进入多头注意力层：新token生成Q，同时生成自己的K和V
3. 从缓存读取历史K和V，和新K、V拼接
4. 用Q和完整的K、V计算注意力
5. 把新K、V追加到缓存
6. 继续走FFN、LayerNorm，输出结果

1.5 缓存带来的性能提升

咱们用数据说话。假设模型有12层，每层hidden_size=768，生成100个token：

对比项	无KV缓存	有KV缓存	提升倍数
每步计算量	O(n²)	O(n)	n倍
生成100 token总计算量	O(100³)	O(100²)	~100倍
内存占用	低（不存历史）	高（存K和V）	空间换时间

你想想看，生成100个token时，无缓存的计算量是100³，有缓存是100²。差了整整100倍！这就是为什么所有工业级推理框架都标配KV缓存。

1.6 缓存的内存开销

当然，天下没有免费的午餐。KV缓存占用的内存也不小：

缓存大小 = 2 × batch_size × seq_len × hidden_size × num_layers × dtype_bytes

举个例子：

• batch_size=1, seq_len=2048, hidden_size=4096, num_layers=32, float16
• 缓存大小 = 2 × 1 × 2048 × 4096 × 32 × 2 = 1,073,741,824 bytes ≈ 1GB

嗯，单条请求就要1GB显存。如果batch_size=32，那就是32GB。所以后面我们会讲各种缓存优化技巧，比如内存复用、量化压缩、窗口缓存等。

1.7 小结

这节课我们讲了：

• 自注意力机制的本质：Q找K，V给内容
• KV缓存的核心思想：存历史K和V，避免重复计算
• 计算流程：新token算Q和新K、V，和历史拼接后做注意力
• 性能收益：计算量从O(n²)降到O(n)
• 代价：显存占用增加，需要做优化

说白了，KV缓存就是用显存换速度。在推理场景下，这个交换非常划算。后面的课程，我们会深入各种缓存优化技术，把显存占用降下来，把推理速度提上去。