DeepSeek-R1背后關鍵——多頭潛在注意力機制（MLA），現在也能輕松移植到其他模型了！

而且只需原始數據的0.3%~0.6%。

這項研究由復旦大學、華東師范大學、上海AI Lab等聯合提出，復旦教授邱錫鵬（Moss大模型項目負責人）也在作者名單之列。

他們提出了MHA2MLA這種數據高效的微調方法，使基于MHA（多頭注意力）的大語言模型（LLMs）能夠順利轉換到MLA架構。

以Llama2-7B為例，MHA2MLA在降低推理成本（如減少KV緩存大小92.19%）的同時，能將性能損失控制在較小范圍（如LongBench性能僅下降0.5%）。

具體咋回事，下面我們接著看。

掌握DeepSeek核心秘訣

多頭注意力MHA（Multi-Head Attention）是Transformer架構中的一個核心組件，允許模型同時關注輸入的不同部分，每個注意力頭都獨立地學習輸入序列中的不同特征。

然而，隨著序列長度的增長，鍵值（Key-Value，KV）緩存的大小也會線性增加，這給模型帶來了顯著的內存負擔。

為了解決MHA在高計算成本和KV緩存方面的局限性，DeepSeek突破性地引入了多頭潛在注意力機制MLA。

簡單說，MLA最大創新之處在于：

利用低秩聯合壓縮鍵值技術，減少了推理時的KV緩存，從而在保持性能的同時顯著降低內存占用。

這一技術也被視為DeepSeek-V3、DeepSeek-R1等當紅炸子雞模型背后的關鍵。

而現在，為了進一步降低其他LLMs的推理成本，研究人員開發了一種能將采用MHA的模型快速適配MLA架構的方法——MHA2MLA。

這一數據微調方法包含兩個關鍵部分：

• partial-RoPE，即從對注意力分數貢獻較小的查詢和鍵的維度中移除旋轉位置嵌入（RoPE）；
• 低秩近似，基于預訓練的鍵和值參數引入聯合奇異值分解（SVD）近似。

先說第一個。Transformer架構中，RoPE（旋轉位置編碼，Rotary Position Embedding) 通過旋轉操作將位置信息融入查詢向量Q和鍵向量K ，幫助模型捕捉序列位置關系。

但研究發現，在計算注意力分數時，并非所有維度的RoPE對結果貢獻相同。

換句話說，即使去除那些對注意力分數影響較小的部分維度的RoPE，理論上不會對模型理解上下文的能力造成關鍵影響。

基于此，研究人員通過計算敏感度指標來確定哪些維度的RoPE貢獻較小。

具體而言，對于每個維度，計算RoPE變化時注意力分數的變化程度。一旦變化程度低于特定閾值的維度，即被判定為對注意力分數貢獻小。在后續計算中，這些維度將不再應用RoPE。

最終實驗證明，partial-RoPE這一策略在不顯著影響模型性能的前提下，減少了計算量。

再說低秩近似策略。

該方法基于預訓練的鍵和值參數，引入聯合奇異值分解（SVD）近似。

SVD是一種矩陣分解技術，通過對鍵值矩陣進行SVD分解，可以用低秩矩陣近似原始矩陣，從而減少參數數量。

具體實現中，研究人員首先提取預訓練模型中的鍵和值參數矩陣，對這些矩陣進行聯合SVD分解；然后根據模型的性能和壓縮需求，構建低秩近似矩陣，用這些低秩近似矩陣替代原始的鍵值矩陣參與后續計算。

最終結果顯示，此舉有效降低了模型推理時的計算量和內存占用。

性能幾乎不變，將Llama2 KV緩存減少90%以上

實驗環節也驗證了MHA2MLA方法的有效性。

能在顯著降低推理成本的同時，保持甚至提升模型性能。

研究人員選取了用MHA或GQA預先訓練的不同規模（135M-7B）的LLMs，然后設置了對照組。

一組是基于傳統MHA的原始模型，用于直接對比MHA2MLA方法在相同任務和數據集上的性能表現；另一組是采用分組查詢注意力（GQA）的模型，GQA作為MHA的變體，在一定程度上優化了計算成本，將其與MHA2MLA對比，能更清晰地展現MHA2MLA的優勢。

在評估其常識性推理能力的六個基準測試中，研究發現：

與原始LLMs性能相比，四個基礎模型的性能變化極小，135M模型性能下降0.25%，360M、1B7和7B模型分別有0.03% 、0.03%和0.37%的性能提升或保持。

這表明微調數據未顯著影響原模型性能，MHA2MLA能有效實現架構遷移，而且微調數據僅需預訓練數據的0.3%-0.6%。

甚至，較大模型在轉換到MLA架構時性能下降更少，這說明這一方法對規模更大的模型更有效。

此外，在長文本生成能力評估中，以LongBench為基準，MHA2MLA相比訓練后量化方法，在壓縮率和精度平衡上表現出色。

當d_kv=16時，MHA2MLA可實現87.5%的壓縮率，精度損失僅3%；與4-bit量化結合后，壓縮率可達92.19%（d_kv=64 + Int4_HQQ）和96.87%（d_kv=16 + Int4_HQQ），精度損失分別為-0.5%和-3.2%，優于所有2-bit量化的基線模型。

這也反映了MHA2MLA方法能夠與量化技術良好兼容。

綜合以上實驗，可以看到以Llama2-7B為例，MHA2MLA在降低推理成本（如減少KV緩存大小92.19%）的同時，能將性能損失控制在較小范圍（如LongBench性能僅下降0.5%）。

不過，論文也提到了研究局限性。

受計算資源限制，未在更大、更多樣化的開源大語言模型上驗證MHA2MLA；且由于Deepseek未開源MLA的張量并行推理框架，難以探索大于7B的模型。

下一步，研究人員計劃在更多模型上進行驗證。

感興趣的童鞋可以查看原論文~

論文：https://arxiv.org/abs/2502.14837
代碼：https://github.com/JT-Ushio/MHA2MLA