DuoAttention是新型的框架，由MIT韩松团队提出，用在提高大型语言模型（LLMs）在处理长上下文时的推理效率。基于区分“检索头”和“流式头”两种注意力头，优化模型的内存使用和计算速度。检索头负责处理长距离依赖，需要完整的键值（KV）缓存，流式头关注最近token和注意力汇聚点，只需固定长度的KV缓存。两种注意力头让DuoAttention在保持模型准确性的同时，减少内存消耗和提高解码及预填充的速度。结合量化技术，DuoAttention能在单个GPU上实现高达330万token的上下文推理，是处理长文本信息的有效方案。

DuoAttention – 提高LLMs处理长上下文推理效率的AI框架 第1张
（图片来源网络，侵删）
DuoAttention – 提高LLMs处理长上下文推理效率的AI框架 第2张
（图片来源网络，侵删）