背景知识
大模型推理阶段
transformer
先看下transformer架构图，来了解到大模型推理在该架构的大概定位
该图的左侧，我们可以这样来理解他的作用：为了让模型能够更好的了解prompt（即对于模型来说，prompt的语义怎么能更好的表示)
该图的右侧，就是模型推理阶段，该阶段每次产生token的类型是自回归生成的，即模型生成一个token会基于输入prompt的tokens 和 已生成的tokens来推理出一个新的token
由此我们知道了，该transformer架构图的右侧，是大模型推理阶段
推理流程
- Input：用户输入的prompt(文本)
- Tokenization：将文本转换为模型可处理的token
- Prefill：一次性处理所有输入token，计算每个token KV，并存入KV Cache中（注意：这一步利用GPU并行性来加速计算过程）
- KV Cache：空间换时间的思想，通过缓存每个token的kv（transformer注意力机制的中间结果），来避免重复计算，从而节省时间
- Decode：逐一生成新的token，每次用当前的tokens（历史tokens + 已生成）来预测下一个token，同时将新的token的kv加入缓存中（供下一轮用），一直循环，直到满足停止条件（生成 或 达到长度限制）
- De-tokenization：将生成的token序列转换为人类可读的文本
至此，我们知道了模型推理的大概流程。此外，由于我们的主题是和KV Cache有关的，所以在这里我们需要先详细了解一下KV Cache（由于KV Cache是用于加速自注意力机制的计算，所以会结合自注意力机制计算来讲）
自注意力机制 & KV Cache & 前缀缓存
自注意力机制
在注意力机制计算之前，我们要先得到该token的q、k、v
以上的
- X代表该token经过位置编码后的词嵌入向量
- W_Q、W_K、W_V，是模型在训练过程中学到的参数矩阵，它们决定了如何通过X得到QKV
- Q、K、V：
- Q代表：代表当前 token 在"提问"时所关注的信息，它会去匹配所有历史 token 的 Key，寻找与自己最相关的内容。可以理解为："我现在在想什么？我需要哪些上下文来帮助我？"
- K代表：代表每个已生成 token 对自身内容的"摘要"或"索引"。
- V代表：代表每个 token 所承载的实际语义信息，当 Query 找到匹配的 Key 后，就会从对应的 Value 中提取内容，作为最终输出的一部分。可以理解为："我不仅告诉你'我在'，还告诉你'我是什么意思'。"
至此，我们知道了一个token的Q、K、V三个矩阵是如何得到的，接下来，我们来看，这三个矩阵是如何在自注意力机制中发挥自身作用的。
上图是自注意力机制的计算的主要逻辑：
我们从Score这行开始看（对于score之前行，就是得到每个token的Q、K、V）：
q1 . k1、q2 . k2：这个就是该token的q，需要 去和所有历史token的k做匹配，得到该token与历史token的相似度，也可以这样理解。首先，Q 代表当前 token 在当前上下文中的"信息需求"，然后它通过匹配历史 token 的 Key，来决定从对应的 Value 中提取多少语义内容，从而完成上下文感知的表示更新。
Divide by (d_k) ^1/2：缩放点积，避免softmax梯度接近0
softmax函数：
当输入x_i时候，todo
softmax(归一化)：将每个token的相似度，变成概率
softmax*value：有了概率列表，就对历史token的v，加权求和
z：这个就是我们的注意力的结果啦，注意它是一个融合了上下文信息的新表示
此处，小插曲，为什么要用点积计算呢？（todo）
KV Cache
至此，我们知道了一个token的qkv是如何产生的，也知道了qkv在自注意力机制中发挥了重要作用，经过自注意力机制的计算，使每个token都有一个融合上下文信息的新的表示，现在我们来思考一下，以上步骤有可优化之处吗？
我们通过详细看下注意力机制计算的公式找出优化点：
当模型生成第一个"遥"字时，input="", ""是起始字符。Attention的计算如下：
Attention的计算公式如下：
当模型生成第二个"遥"字时，input="遥", Attention的计算如下：
Attention的计算公式如下：
当模型生成第三个"领"字时，input="遥遥"Attention的计算如下：
Attention的计算公式如下：
我们发现，当生成一个新toke时，历史token的k，v也是要参与的，那么我们想要用历史token的k、v，每次用它们时候都要算出来吗？所以我们可以用空间换时间的思想，将历史token的k、v存起来，我们需要用的时候直接取就行，这样一来，矩阵相乘的次数就少了，那么整体推理时间也会降低，那么这就是KV Cache
因此，我们可以选择缓存历史token的kv，如下图：
至此，我们知道了一个token的qkv是如何产生的，也知道了各token的qkv通过参与自注意力机制的计算，使每个token都有一个融合上下文信息的新的表示，以及加速注意力机制计算的KV Cache
前缀缓存
为避免重复计算token的kv，所以在 prefill 阶段主要作用就是给迭代的生成阶段准备 KV Cache。但这些 KV Cache 仅仅是为单次生成式请求服务的，那很自然的一种想法就是，KV Cache 能不能跨请求复用？
在某些场景下，多次请求的 Prompt 可能会共享同一个前缀（Prefix），比如system prompt，这种情况下，请求的前缀的 KV Cache 计算的结果是相同的，所以可以被缓存起来，给下一个请求复用。
但 KV Cache 跟其它服务缓存不一样的地方是，它太大了，以至于（目前）很难通过 Redis/Memcache 这种分布式缓存服务存取。比如对 13B LLM 模型来说，在 FP16 精度下单 token 的 KV Cache 大约是 1MB，假设要缓存的前缀有 500 个 token（大约800多个汉字），那就是 500MB。一般来说，我们不会每次请求去从分布式系统里读取/传输 500MB 的缓存，甚至都不会每次请求从内存往显存中拷贝 500MB 的缓存，所以大部分情况下，prefix cache 都会放在显存里。
这也就意味着，如果你想命中 prefix cache，必须把相同 prefix 的请求发到同一张 GPU卡上才行。
具体实现
以sglang中的实现介绍
- 在每次请求结束后，这次请求里的KV Cache不直接丢弃，而是借由RadixAttention算法将KV Cache仍然保留在GPU的显存中。RadixAttention算法还将序列token到KV Cache的映射关系，保存在RadixTree这种数据结构中。
- 当一个新的请求到来的时候，SGLang的调度器通过RadixTree做前缀匹配，查找新的请求是否命中缓存。如果命中了缓存，SGLang的调度器会复用KV Cache来完成这次请求。
- 由于GPU的显存是非常有限的，缓存在内存中的KV Cache不能永久被保留，需要设计相应的逐出策略。RadixAttention引入的逐出策略是LRU（least recently used）
此时，我们知道了用前缀缓存可以加速推理，那非前缀可以吗？我们先来分析一下：
第一层 KV 的生成公式
h是词嵌入 + 位置编码；k是该token的k，v是该token的v
注意：这一步是纯局部的，每个 token 独立计算自己的 QKV，不与其他 token 交互，因此，第一层的 K 和 V 完全由 (token ID, 位置 t) 决定。
自注意力机制计算
自注意力机制大概过程：当前 token 的 q 会 与所有已生成 token（包括自己）的 k 矩阵相乘计算，再经过softmax得到多个系数，再用这些系数对所有已生成的v加权求和，最终得到注意力分数。
自注意力机制是 Transformer 的核心，但单层自注意力只能捕捉 "扁平的关联"，无法处理语言中的复杂依赖。
- 每一层都对前一层的输出进行非线性变换 + 上下文整合
- 信息被逐步提炼：
- Layer 1: 词性、局部语法
- Layer 5: 句法结构、依存关系
- Layer 10: 语义角色、意图理解
- Layer 20+: 世界知识、逻辑推理
第一层的自注意力机制计算后，得到h1（可以理解为 对于第二层来说，未变化成k、v的一个矩阵）。
第二层的自注意力机制的k 和 v是有h1 分别和 w_k 和 w_v矩阵得来，但此时的kv是已经有上下文信息的了！
第三层，类推...
所以，即使两个徐请求中，即使相同（词嵌入 + 位置编码都相同）的token也不能利用kv cache，因为会有注意力缺失问题。
那么我们有办法利用非前缀缓存吗？来看Cache blend技术
CacheBlend
...todo