KV Cache - 技术栈

概述

KV Cache（Key-Value Cache） 是自回归生成时的一种加速技术。

在 Transformer 解码器中，生成文本是一个 token 一个 token 进行的：

text 复制代码

输入 prompt → 生成第 1 个 token
把第 1 个 token 拼到输入后面 → 生成第 2 个 token
把第 2 个 token 拼到输入后面 → 生成第 3 个 token

每一步，模型都要计算当前所有 token 的注意力。

如果每一步都重新计算整个序列的 Key 和 Value，会有大量重复计算。

KV Cache 的做法是：

把之前每一步算好的 Key 和 Value 缓存起来，生成新 token 时只计算新 token 的 Key 和 Value, 然后追加到缓存中。

注意力计算时，用新 token 的 Query 去和整个缓存的 Key 交互，再对缓存的 Value 加权求和。

这样避免了重复计算历史 token 的 K 和 V。

为什么需要 KV Cache？

没有 KV Cache 时

假设已经生成了 ttt 个 token，现在要生成第 t+1t+1t+1 个。

需要重新计算这 ttt 个 token 的 Q、K、V；
但其中前 ttt 个 token 的 K、V 在之前步骤已经算过；
重复计算浪费了大量算力。

有 KV Cache 时

缓存中已经有前 ttt 个 token 的 K 和 V；
只需要计算新 token 的 Q、K、V；
把新的 K、V 追加到缓存；
用新的 Q 和整个缓存的 K 做点积，对缓存的 V 加权求和。

作用：

大幅加速自回归生成；
训练时不使用，因为训练可以并行处理整个序列；
推理/生成阶段几乎必用。

例子

为了能手算，我们取一个极小的 Transformer 解码器：

text 复制代码

d_model = 2
单头注意力
d_k = d_v = 2
W_Q = W_K = W_V = 单位阵
没有位置编码
因果掩码：第 t 步只能看 1..t

假设依次输入的 token 向量是：

text 复制代码

x1 = [1, 0]
x2 = [0, 1]
x3 = [1, 1]

第 1 步：生成第 1 个 token

计算：

text 复制代码

Q1 = x1 = [1, 0]
K1 = x1 = [1, 0]
V1 = x1 = [1, 0]

缓存：

text 复制代码

K_cache = [[1, 0]]
V_cache = [[1, 0]]

注意力分数：只有一个 key，softmax 权重为 1。

输出：

text 复制代码

Z1 = V1 = [1, 0]

第 2 步：生成第 2 个 token

新 token：

text 复制代码

x2 = [0, 1]

只计算新 token 的 Q、K、V：

text 复制代码

Q2 = [0, 1]
K2 = [0, 1]
V2 = [0, 1]

把 K2、V2 追加到缓存：

text 复制代码

K_cache = [[1, 0],
           [0, 1]]

V_cache = [[1, 0],
           [0, 1]]

用 Q2 和整个 K_cache 计算注意力分数：

Q2⋅K1= $0,1$ ⋅ $1,0$ =0 Q2 \cdot K1 = $0, 1$ \cdot $1, 0$ = 0 Q2⋅K1= $0,1$ ⋅ $1,0$ =0

Q2⋅K2= $0,1$ ⋅ $0,1$ =1 Q2 \cdot K2 = $0, 1$ \cdot $0, 1$ = 1 Q2⋅K2= $0,1$ ⋅ $0,1$ =1

除以 dk=2≈1.414\sqrt{d_k} = \sqrt{2} \approx 1.414dk =2 ≈1.414:

为什么要除以dk\sqrt{d_k}dk

点积的结果会随着维度增大而变大，如果不缩放，softmax 的输入会很大，导致梯度接近 0，训练不稳定。

除以 dk\sqrt{d_k}dk 可以把点积的方差拉回到 1 附近，保持梯度稳定。

0/1.414=0 0/1.414 = 0 0/1.414=0

1/1.414≈0.7071 1/1.414 \approx 0.7071 1/1.414≈0.7071

text 复制代码

scores = [0, 0.7071]

Softmax:

e0=1,e0.7071≈2.028e^0 = 1, \quad e^{0.7071} \approx 2.028e0=1,e0.7071≈2.028

分母:

1+2.028=3.0281 + 2.028 = 3.0281+2.028=3.028

权重:

text 复制代码

w1 = 1 / 3.028 ≈ 0.3302
w2 = 2.028 / 3.028 ≈ 0.6698

输出:

Z2=0.3302⋅V1+0.6698⋅V2 Z2 = 0.3302 \cdot V1 + 0.6698 \cdot V2 Z2=0.3302⋅V1+0.6698⋅V2

=0.3302⋅ $1,0$ +0.6698⋅ $0,1$ = 0.3302 \cdot $1, 0$ + 0.6698 \cdot $0, 1$ =0.3302⋅ $1,0$ +0.6698⋅ $0,1$

= $0.3302,0.6698$ = $0.3302, 0.6698$ = $0.3302,0.6698$

第 3 步：生成第 3 个 token

新 token：

text 复制代码

x3 = [1, 1]

只计算新 token 的 Q、K、V：

text 复制代码

Q3 = [1, 1]
K3 = [1, 1]
V3 = [1, 1]

追加到缓存：

text 复制代码

K_cache = [[1, 0],
           [0, 1],
           [1, 1]]

V_cache = [[1, 0],
           [0, 1],
           [1, 1]]

用 Q3 和整个 K_cache 计算分数：

Q3⋅K1= $1,1$ ⋅ $1,0$ =1 Q3 \cdot K1 = $1, 1$ \cdot $1, 0$ = 1 Q3⋅K1= $1,1$ ⋅ $1,0$ =1

Q3⋅K2= $1,1$ ⋅ $0,1$ =1 Q3 \cdot K2 = $1, 1$ \cdot $0, 1$ = 1 Q3⋅K2= $1,1$ ⋅ $0,1$ =1

Q3⋅K3= $1,1$ ⋅ $1,1$ =2 Q3 \cdot K3 = $1, 1$ \cdot $1, 1$ = 2 Q3⋅K3= $1,1$ ⋅ $1,1$ =2

除以 2\sqrt{2}2 :

1/1.414≈0.7071 1/1.414 \approx 0.7071 1/1.414≈0.7071

2/1.414=2/2=2≈1.4142 2/1.414 = 2/\sqrt{2} = \sqrt{2} \approx 1.4142 2/1.414=2/2 =2 ≈1.4142

text 复制代码

scores = [0.7071, 0.7071, 1.4142]

Softmax:

e0.7071≈2.028,e1.4142≈4.113 e^{0.7071} \approx 2.028, \quad e^{1.4142} \approx 4.113 e0.7071≈2.028,e1.4142≈4.113

分母:

2.028+2.028+4.113=8.169 2.028 + 2.028 + 4.113 = 8.169 2.028+2.028+4.113=8.169

权重:

text 复制代码

w1 = 2.028 / 8.169 ≈ 0.2483
w2 = 2.028 / 8.169 ≈ 0.2483
w3 = 4.113 / 8.169 ≈ 0.5034

输出:

Z3=0.2483⋅V1+0.2483⋅V2+0.5034⋅V3 Z3 = 0.2483 \cdot V1 + 0.2483 \cdot V2 + 0.5034 \cdot V3 Z3=0.2483⋅V1+0.2483⋅V2+0.5034⋅V3

=0.2483⋅ $1,0$ +0.2483⋅ $0,1$ +0.5034⋅ $1,1$ = 0.2483 \cdot $1, 0$ + 0.2483 \cdot $0, 1$ + 0.5034 \cdot $1, 1$ =0.2483⋅ $1,0$ +0.2483⋅ $0,1$ +0.5034⋅ $1,1$

第一维:

0.2483×1+0.2483×0+0.5034×1=0.7517 0.2483 \times 1 + 0.2483 \times 0 + 0.5034 \times 1 = 0.7517 0.2483×1+0.2483×0+0.5034×1=0.7517

第二维:

0.2483×0+0.2483×1+0.5034×1=0.7517 0.2483 \times 0 + 0.2483 \times 1 + 0.5034 \times 1 = 0.7517 0.2483×0+0.2483×1+0.5034×1=0.7517

所以:

Z3= $0.7517,0.7517$ Z3 = $0.7517, 0.7517$ Z3= $0.7517,0.7517$

对比：无 KV Cache vs 有 KV Cache

步骤	无 KV Cache	有 KV Cache
第 1 步	计算 K1,V1	计算 K1,V1，缓存
第 2 步	重新计算 K1,V1，再算 K2,V2	只算 K2,V2，追加缓存
第 3 步	重新计算 K1,V1,K2,V2，再算 K3,V3	只算 K3,V3，追加缓存
总计算量	O(L2d)O(L^2d)O(L2d)	O(Ld)O(Ld)O(Ld) 用于新 K,V，注意力仍 O(L2)O(L^2)O(L2)
内存	无额外缓存	需要缓存所有历史 K,V

可以看到，KV Cache 把"重复计算历史 K、V"的部分省掉了，生成越长，节省越多。

KV Cache 的内存开销

缓存大小公式:

KV Cache 大小=2×batch_size×num_heads×seq_len×head_dim×dtype_bytes \text{KV Cache 大小} = 2 \times \text{batch\_size} \times \text{num\_heads} \times \text{seq\_len} \times \text{head\_dim} \times \text{dtype\_bytes} KV Cache 大小=2×batch_size×num_heads×seq_len×head_dim×dtype_bytes

其中:

2 表示 K 和 V；
batch_size 是批大小；
num_heads 是注意力头数；
seq_len 是当前序列长度；
head_dim 是每个头的维度；
dtype_bytes 是数据类型字节数（如 fp16 为 2）。

例如：

text 复制代码

batch_size = 1
num_heads = 1
seq_len = 3
head_dim = 2
fp16 = 2 bytes

缓存大小：

2×1×1×3×2×2=24 bytes 2 \times 1 \times 1 \times 3 \times 2 \times 2 = 24 \text{ bytes} 2×1×1×3×2×2=24 bytes

真实模型中，seq_len 可能上万，num_heads 几十，head_dim 上百，缓存会非常大，因此出现了 MQA、GQA、KV Cache 量化等优化。

总结

KV Cache 是什么？

自回归生成时，缓存历史 token 的 Key 和 Value，生成新 token 时只计算新 token 的 K、V，避免重复计算。

在 Transformer 中的作用：

加速推理生成，把每步重复计算历史 K、V 的开销省掉；训练时不用，推理时几乎必用。

数值例子核心结论：

text 复制代码

第 1 步：缓存 K1=[1,0], V1=[1,0]，输出 Z1=[1,0]
第 2 步：只算 K2=[0,1], V2=[0,1]，输出 Z2=[0.3302, 0.6698]
第 3 步：只算 K3=[1,1], V3=[1,1]，输出 Z3=[0.7517, 0.7517]

每一步都只计算新 token 的 K、V，然后和整个缓存做注意力，这就是 KV Cache 的核心机制。