DeepSeek开源周首日推出FlashMLA项目 可以显著降低内存占用和计算开销
山外的鸭子哥
开源人工智能技术开发商 DeepSeek 上周已经预告将在本周陆续推出 5 个已经在生产环境中使用的技术，目前首个项目 FlashMLA 已经在 GitHub 上公布。
FlashMLA 是一种针对 NVIDIA Grace Hopper 架构 GPU 设计的高效多层注意力 (Multi-Layer Attention，MLA) 解码内核，该技术不仅可以优化变长序列的处理性能，还可以将低内存占用和计算开销。
该技术的关键特点包括：
BF16 支持：FlashMLA 采用 BF16 精度格式，兼顾 FP32 的动态范围和 FP16 的计算效率，这种设计可以显著降低内存占用和计算开销，特别适合深度学习模型的推理阶段。
分页 KV 缓存技术：Paged KV Cache 通过块大小为 64 的分页键缓存系统，FlashMLA 优化了 Transformer 模型中键值对的存储和访问，减少内存碎片和延迟等，这项技术主要是和处理变长序列，确保在不同输入长度下都能保持高效性能。
卓越性能：在 NVIDIA H800 GPU 上，FlashMLA 实现了 3000GB / 秒的内存带宽利用率 (内存限制场景) 和 580TFLOPS 的计算能力 (计算限制场景)，数据表明 FlashMLA 可以充分利用 Hopper 架构的 HBM 高带宽内存和并行计算能力。
FlashMLA 优化变长序列带来的优势：
变长序列是自然语言处理、语音识别、时间序列分析等领域面临的常见技术挑战，传统模型在处理不固定长度的输入时往往效率会比较低，FlashMLA 通过针对性优化可以提高大型模型在变长序列场景下的推理速度，因此适合用于需要实时响应和高吞吐量的应用。
也就是说借助这项优势未来其他模型也可以优化响应速度，尤其是实时语音模式这种对响应速度有要求的场景，AI 可以更快的回答而不是让用户长时间等待。
目前 FlashMLA 已经在 GitHub 上完全开源，开发者只需要使用简单的 Python 命令即可快速部署，DeepSeek 也提供了测试脚本用来验证性能：https://github.com/deepseek-ai/FlashMLA
该项目的开源特性还借鉴了 FlashAttention 2&3 以及 CUTLASS 项目的模块化设计，有兴趣的开发者也可以研究上游项目的具体细节。
