Unverified50% confidenceFactExact time
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
1
Sources
50%
Confidence
Long-term
Relevance
7/21/2026
First Seen
Sources
Related Claims
UnverifiedGQA通过让多个查询头共享同一组KV头，可将KV缓存体积压缩至原来的1/4至1/875% similarUnverifiedMLA（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 1/874% similarVerifiedMLA 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%74% similarUnverifiedMLA 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73% similarUnverifiedKV缓存的显存占用与上下文长度、模型层数和注意力头数成正比，8K上下文下一个典型27B模型可能额外消耗2～4GB显存72% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/581912API
curl https://kongchang.com/api/v1/knowledge/claims/581912MCP
get_claim(id=581912)