企业官网建设流程全解析

DeepSeek MLA 如何通过“矩阵吸收”实现 MHA 到 MQA 的无缝切换?

在当前的大模型架构之争中，显存效率（KV Cache）与模型性能（表达能力）往往是鱼与熊掌不可兼得。MHA（多头注意力）性能好但显存爆炸，MQA（多查询注意力）显存极低但可能损耗性能。

DeepSeek-V2/V3 提出的MLA (Multi-Head Latent Attention)架构，巧妙地通过低秩压缩（Low-Rank Compression）和矩阵吸收（Matrix Absorption）技术，实现了“训练时是 MHA，推理时是 MQA”的神奇效果。

本文结合 DeepSeek-V3.2 论文插图与科学空间的解析，带你拆解这一过程。

1. 核心思想：KV 的低秩压缩

MLA 的出发点是：不直接存储巨大的K KK和V VV矩阵，而是存储一个压缩后的低维潜在向量c K V c_{KV}cKV​。

在标准的 MHA 中，每个头（Head）都有自己独立的K KK和V VV。而在 MLA 中，生成逻辑如下：

1. 输入向量h t h_tht​经过投影生成压缩向量c K V c_{KV}cKV​。
2. 训练时（图 a - MHA Mode）：c K V c_{KV}cKV​通过两个上投影矩阵W U K W^{UK}WUK和W U V W^{UV}WUV，“还原”出每个头所需的k t , i C k_{t,i}^Ckt,iC​和v t , i C v_{t,i}^Cvt,iC​。

k t , i C = c K V ⋅ W i U K k_{t,i}^C = c_{KV} \cdot W_{i}^{UK}kt,iC​=cKV​⋅WiUK​

v t , i C = c K V ⋅ W i U V v_{t,i}^C = c_{KV} \cdot W_{i}^{UV}vt,iC​=cKV​⋅WiUV​

这看起来依然是 MHA，因为每个头确实获得了解耦的 Key 和 Value。

2. 推理时的魔法：矩阵吸收 (Matrix Absorption)

MLA 最大的创新在于：在推理（Decoding）阶段，我们不需要真的把k kk和v vv还原出来存入 KV Cache。

利用矩阵乘法的结合律，我们可以将用于还原K KK和V VV的投影矩阵（W U K , W U V W^{UK}, W^{UV}WUK,WUV），分别“吸收”到Query 端和Output 端。

A. Key 的吸收（变为 MQA 形式）

计算 Attention 分数的核心公式是Q ⋅ K T Q \cdot K^TQ⋅KT。在 MLA 中，代入K KK的生成公式：

Score = q t , i C ⋅ ( k t , i C ) T = q t , i C ⋅ ( c K V ⋅ W i U K ) T \text{Score} = q_{t,i}^C \cdot (k_{t,i}^C)^T = q_{t,i}^C \cdot (c_{KV} \cdot W_{i}^{UK})^TScore=qt,iC​⋅(kt,iC​)T=qt,iC​⋅(cKV​⋅WiUK​)T

利用转置性质( A B ) T = B T A T (AB)^T = B^T A^T(AB)T=BTAT：

Score = q t , i C ⋅ ( W i U K ) T ⋅ c K V T \text{Score} = q_{t,i}^C \cdot (W_{i}^{UK})^T \cdot c_{KV}^TScore=qt,iC​⋅(WiUK​)T⋅cKVT​

这里发生了一个关键变换：我们可以结合q t , i C ⋅ ( W i U K ) T q_{t,i}^C \cdot (W_{i}^{UK})^Tqt,iC​⋅(WiUK​)T作为一个新的 Query。

• 对应图中 (b) 的蓝色箭头：W i U K W_i^{UK}WiUK​不再用于生成K KK，而是直接作用于 Query。
• 结果：KV Cache 中只需要存储压缩后的c K V c_{KV}cKV​。对于所有头来说，c K V c_{KV}cKV​是共享的。这不就是MQA (Multi-Query Attention)吗？（即所有头共享一个 Key）。

B. Value 的吸收

同理，对于 Attention 的输出计算：

o t , i = AttnWeight ⋅ v t , i C = AttnWeight ⋅ ( c K V ⋅ W i U V ) o_{t,i} = \text{AttnWeight} \cdot v_{t,i}^C = \text{AttnWeight} \cdot (c_{KV} \cdot W_{i}^{UV})ot,i​=AttnWeight⋅vt,iC​=AttnWeight⋅(cKV​⋅WiUV​)

利用结合律，我们可以先计算AttnWeight ⋅ c K V \text{AttnWeight} \cdot c_{KV}AttnWeight⋅cKV​，最后再乘以W i U V W_{i}^{UV}WiUV​。

• 对应图中 (b) 的橙色箭头：W i U V W_i^{UV}WiUV​被移到了 Attention 计算之后，甚至可以进一步融合到最终的 Output Projection (W O W_OWO​) 中。
• 结果：KV Cache 中不需要存展开的V VV，只需要存c K V c_{KV}cKV​。

3. RoPE 的处理（Decoupled RoPE）

细心的读者会发现图中还有一个apply RoPE的分支。
为了避免旋转位置编码（RoPE）破坏上述的矩阵吸收特性（RoPE 是位置敏感的，不能简单被线性矩阵吸收），MLA 采用了Decoupled RoPE（解耦 RoPE）策略：

q = [ q c o n t e n t , q r o p e ] ; k = [ k c o n t e n t , k r o p e ] q = [q_{content}, q_{rope}]; \quad k = [k_{content}, k_{rope}]q=[qcontent​,qrope​];k=[kcontent​,krope​]

• Content 部分 (c K V c_{KV}cKV​)：完全压缩，执行矩阵吸收，变成 MQA 模式。
• RoPE 部分 (k R k^RkR)：单独保留，携带位置信息，随c K V c_{KV}cKV​一起缓存。

4. 总结：图 (a) 到 图 (b) 的变换

回到 DeepSeek-V3.2 的 Figure 7：

• 图 (a) MHA Mode：展示了逻辑上的计算过程。c K V c_{KV}cKV​分裂并通过W U K W^{UK}WUK、W U V W^{UV}WUV变成多头的k kk和v vv。这是模型训练时的视角，保证了模型拥有多头的表达能力。
• 图 (b) MQA Mode：展示了物理上的计算过程（推理时）。
  • W U K W^{UK}WUK被吸收到 Query 侧（蓝色箭头）。
  • W U V W^{UV}WUV被吸收到 Output 侧（橙色箭头）。
  • KV Cache：只剩下灰色的c K V c_{KV}cKV​和小部分的k R k^RkR。

结论：MLA 通过数学上的等价变换，在不损失 MHA 性能（因为数学上完全等价）的前提下，将推理时的显存占用降低到了MQA 的水平。这就是 DeepSeek-V3 能够支持超长上下文且推理高效的核心秘密。