待验证50% 置信事实精确时间
MLA（Multi-head Latent Attention）通过低秩压缩将 KV 缓存的显存占用降低至传统 MHA 的约 1/8
1
来源数
50%
置信度
长期有效
时效性
2026/7/9
首次发现
来源
Unsloth重磅更新：DeepSeek-V4支持与NVFP4量化导出全解析
rss2026/7/8
相关事实
待验证DeepSeek-V2 论文显示 MLA 可将 KV Cache 显存降低至标准 MHA 的约5%至13%，同时维持相近性能82% 相似已验证MLA 通过低秩分解将 KV Cache 压缩为低维潜在向量，其 d_latent 约为 d_model 的 1/8，可将 KV Cache 显存占用降低至传统多头注意力的 5%-13%81% 相似待验证MLA通过将KV矩阵压缩为低维潜在向量缓存，理论上可将KV Cache显存占用降低至标准MHA的5%至13%81% 相似待验证MLA 将所有头的 Key 和 Value 联合压缩为低维潜在向量缓存，本质上是对 KV Cache 做低秩分解75% 相似待验证GQA 将注意力头分组共享 KV 投影，可将 KV 缓存压缩至原来的 1/4 甚至更低而几乎不损失模型质量74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/398279API
curl https://kongchang.com/api/v1/knowledge/claims/398279MCP
get_claim(id=398279)