Antigravity Agent
2.9 KiB
2.9 KiB
id: P-Reinforce-AUTO-GQAM-001 category: Unified confidence_score: 1.00 tags: [auto-reinforced, grouped-query-attention, gqa, transformer, mha, mqa, llm-efficiency] last_reinforced: 2026-05-04
Grouped-Query Attention (GQA)
📌 한 줄 통찰 (The Karpathy Summary)
"효율과 성능의 황금비율: 모든 헤드가 각자의 Key-Value를 갖는 MHA의 무거운 비용과, 하나의 KV만 공유하는 MQA의 성능 저하 사이에서 '그룹화된 KV 공유'라는 영리한 절충안을 통해 추론 속도와 품질을 동시에 잡은 현대 LLM의 표준."
📖 구조화된 지식 (Synthesized Content)
Grouped-Query Attention(GQA)은 트랜스포머 아키텍처에서 KV 캐시(Key-Value Cache)의 메모리 사용량을 줄여 추론 효율성을 극대화하면서도, 모델의 표현력을 보존하기 위해 설계된 어텐션 변형 기법입니다.
- 등장 배경:
- MHA (Multi-Head Attention): 모든 Query 헤드가 각자의 Key/Value 헤드를 가짐
\rightarrow뛰어난 성능, 그러나 KV 캐시가 너무 커짐. - MQA (Multi-Query Attention): 모든 Query 헤드가 단 하나의 Key/Value 헤드를 공유
\rightarrow매우 빠르지만 성능(품질) 저하 발생.
- MHA (Multi-Head Attention): 모든 Query 헤드가 각자의 Key/Value 헤드를 가짐
- 핵심 메커니즘:
- 그룹화 (Grouping): 여러 개의 Query 헤드를 하나의 그룹으로 묶고, 각 그룹마다 하나의 Key/Value 헤드를 할당합니다.
- 절충 (Trade-off): MHA보다는 메모리 사용량이 적고, MQA보다는 정보 보존 능력이 뛰어난 '중간 지점'을 선택합니다.
- 의의:
- Llama 2/3, Mistral 등 최신 오픈소스 SOTA 모델들이 채택하고 있는 표준 기술입니다.
- 특히 긴 문맥(Long-context) 처리 시 KV 캐시가 차지하는 VRAM 비중을 획기적으로 낮춰주어, 동일 하드웨어에서 더 큰 배치 사이즈나 더 긴 문장을 처리할 수 있게 합니다.
⚖️ Trade-offs & Caveats
- 성능/효율 비례: 그룹 수(
G)를 늘릴수록 MHA에 가까워지며 성능은 좋아지지만 KV 캐시가 커지고, 줄일수록 MQA에 가까워지며 효율은 좋아지지만 품질이 떨어집니다. - 모델 아키텍처 고정: 학습 시에 그룹 구조를 결정해야 하므로, 기존 MHA 모델을 추론 시에만 GQA로 전환하는 것은 불가능하며 추가적인 업사이클링(Upcycling) 학습이 필요합니다.
🔗 지식 연결 (Graph)
- 상위 개념: Attention Mechanisms, LLM Inference Optimization
- 대조 기술: Multi-Head Attention (MHA), Multi-Query Attention (MQA)
- 연관 기술: KV Cache, PagedAttention, Flash Attention
Last updated: 2026-05-04