OneRec - V2 lazy decoder为什么效率高

背景：

模型结构：

[Context Processor](#Context Processor)

[Lazy Decoder Block](#Lazy Decoder Block)

Tokenizer：

[Block Structure ：](#Block Structure ：)

[Lazy Cross-Attention: KV-Sharing](#Lazy Cross-Attention: KV-Sharing)

[Grouped Query Attention, GQA](#Grouped Query Attention, GQA)

背景：

Encoder-Decoder 架构的适配性 ：
- Encoder 专门负责编码历史物品序列（上下文），处理 "理解用户偏好" 的任务；
- Decoder 专门负责基于上下文生成最新物品（预测目标），处理 "生成推荐结果" 的任务；
- 两者通过交叉注意力机制联动，完美匹配 "历史上下文编码→最新物品生成" 的分工需求。

encoder的编码计算是 "辅助计算"，但在传统架构中占用了大量资源（如 OneRec-V1 中占 97.66% FLOPs）。在参数量相同的情况下，编码器 - 解码器（Encoder-Decoder）架构相比经典纯解码器（Decoder-Only）架构节省近半数计算量

OneRec-V1 的 Encoder-Decoder 架构虽适配该数据组织方式，但带来了计算资源分配低效（Encoder 占 97.66% FLOPs）的问题；
OneRec-V2 的核心挑战是：如何在保持 "历史上下文编码 + 最新物品生成" 分工的前提下，移除独立 Encoder，实现更高效的架构；
最终 OneRec-V2 通过 "惰性上下文处理 + 轻量化交叉注意力" 实现了这一目标：将历史物品的编码逻辑融入 Decoder，既保留了 "上下文 - 目标分离" 的适配性，又解决了计算低效问题。

模型结构：

Context Processor

为了有效融合多模态用户行为，能够与下游解码器模块实现无缝集成。

具体而言，用户画像（user profile）、行为记录（behavior）等异构输入被拼接为一个统一序列（即上下文 context）。上下文序列中的每个元素均被映射至相同维度，满足：

其中，表示注意力头维度，为键值头组数，为键值拆分系数，为键值层数。

context会被切分为* 份，每一份的维度为*

对于每一层

计算归一化后的key-value pairs：

最终输出为

总结：在encoder-decoder的基础上，将context信息进行拆解，

拆解到L层中的key，value值，省去encoder部分；

所以是没有context之间的attention交互的，而是只计算了context与候选item之间的cross attention还有候选item之间的causal self-attention；

Lazy Decoder Block

Tokenizer：

对于每个目标物品，我们采用与 OneRec-V1（Zhou 等人，2025）一致的语义分词器，生成 3 个语义标识（semantic IDs，SID），以捕捉物品的多维度特征。训练阶段，我们使用前 2 个语义标识，并在序列头部添加一个序列起始标识（beginning-of-sequence, BOS），构成输入序列：

Block Structure ：

其中，（根均方层归一化）用于保障训练稳定性。

为在保持计算效率的同时提升模型容量，我们采用混合架构：将深层的稠密前馈网络替换为混合专家（Mixture-of-Experts, MoE）模块。借鉴 DeepSeek-V3（Liu 等人，2024）的设计，我们引入无辅助损失的负载均衡策略，确保专家网络的高效利用。

降低计算冗余：Context Processor 无需生成与解码器层数相同的 KV 对（如 12 组），仅需生成组（如 6 组），内存减少 50%。

Grouped Query Attention, GQA

查询投影（query projection）仍保持个注意力头，而键值对仅使用个键值头组（key-value head groups），且通常满足。该设计大幅降低了上下文表征的内存占用，同时减少了注意力计算过程中的内存访问开销，（为什么）使模型能够高效扩展至更长的上下文序列和更大的批量大小（batch sizes）。

输出层（Output Layer） 最后一个解码器模块的最终隐藏表征，经位置特异性 RMSNorm（position-specific RMSNorm） 和全连接层（Linear layer）处理后，生成每个语义标识（semantic ID）的预测结果。训练阶段，模型通过最大化目标物品的语义标识序列 \([s_1, s_2, s_3]\) 的对数似然（log-likelihood）进行优化。

OneRec-V2 的 Lazy Cross-Attention 通过 "跨层 KV 复用、键值绑定、GQA" 三大创新，完美解决了生成式推荐模型的 "内存瓶颈" 和 "计算瓶颈"：

内存层面：KV 缓存占用减少 80% 以上，支持更长上下文和更大批量；
计算层面：注意力计算量减少 94%，推理延迟降至 30ms 内；
性能层面：通过位置特异性归一化、键值绑定的性能补偿，确保推荐精度不下降。

实验部分：

fewer FLOPs and lower activation memory, our lazy decoder-only architecture achieves comparable losses compared to traditional approaches.

FLOPs 量化了模型完成一次训练迭代（或一次推理）所需的浮点运算总量（如加法、乘法），其本质是 "模型的计算复杂度"------FLOPs 越高，意味着需要越多的计算资源（GPU 算力、电力）来完成任务。

低 FLOPs 意味着用更少资源完成相同任务，或在相同资源下支撑更大规模、更高并发的业务。

MOE变体：总参数量为 4B 的 MoE 变体（激活参数量 0.5B）收敛损失达 3.22，其性能优于 2B 稠密模型，且计算需求与 0.5B 稠密基准模型相当。该配置相比 0.5B 稠密模型的损失降低了 0.11，充分验证了稀疏架构在推荐任务中的有效性。

分组查询注意力（GQA）通过在多个查询头（query heads）间共享键值头（key-value heads）实现优化。在我们的惰性解码器架构中，该优化减少了交叉注意力操作中的激活内存（activation memory）占用与内存访问瓶颈，从而在对模型性能影响极小的前提下，显著提升了训练吞吐量（training throughput）。我们在一个含 14 个注意力头的 1B 参数稠密惰性解码器模型上，探究了不同键值头组数（\(G_{\text{kv}} \in \{1,2,7\}\)）对模型的影响。

总结：

（1）计算效率飞跃

总计算量减少 94%，训练资源消耗降低 90%：通过剥离冗余辅助计算，目标解码的计算占比从 < 3% 提升至 90% 以上，资源利用率大幅提升；
推理延迟降低：上下文编码的轻量化与惰性更新，使实时推理 latency 从 200ms + 降至 30ms 内，满足工业级推荐的低延迟要求。

（2）可扩展性突破

支持 8B 参数规模：有效计算占比的提升，让相同计算预算下可分配给目标解码的参数量大幅增加，模型表征能力显著增强；
遵循缩放定律：随着参数量扩大，损失呈平滑下降趋势（无性能饱和），为后续扩展至 10B + 参数奠定基础。

问题：

为什么encoder-decoer但仍存在 97% 资源浪费？

为什么GQA可以降低内存访问开销？

传统编码器是基于attetnion来建模context的相关信息的，但是one-vec v2没有对context进行attention计算，而是直接作为解码器的k，v值。所以相比encoder-decoer在相同的参数配置下，应该是减少了参数量的，对吧？比如encoder self-attention的k，v值与FFN。