收藏！大模型面试必问：为什么有KV-Cache却没有Q-Cache？

在大模型相关的技术面试中，“为什么存在KV-Cache却没有Q-Cache”是高频考点，不少刚入门大模型的程序员和小白都会被这个问题难住。今天这篇文章就从核心原理出发，结合具体生成流程拆解分析，帮你彻底搞懂这个问题，面试遇到直接秒答！

1 、先搞懂：为什么KV-Cache是必需的？

我们常看到这样的说法：“大语言模型（LLM）采用自回归生成方式，每次生成都会把上一步的输出拼接在原始输入末尾，作为本轮的输入”。其实这个表述容易让人产生误解，也是很多人困惑的根源，但并不影响我们理解KV-Cache的必要性。下面我们用具体的输入序列[a, b, c]为例，一步步拆解生成过程，看清KV-Cache的作用。

iter1

(1) 得到 Q/K/V

(2) 解码下个 token

经过 n 个 transformer block 以后，最终得到 out’，它的 shape 也是 3 x d，取最后一个 token（假设 d 与此表大小相同），通过预设好的解码策略。

假设是最简单的 argmax，找到最后一个 token 的 d 个维度上数值最大的那一个 idx，通过查表得到下一个 token。

iter2

上一轮得到了 d，那么根据上述自回归的表述，此轮输入为 [a, b, c, d]，我们来看下计算过程。

(1) 得到 Q/K/V

跟上一轮的计算完全一致，不同的是本轮输入变成了 [a, b, c, d]，由于这个计算过程等效于单个 token 计算最终再拼接到一起，因此我们很容易发现 a、b、c 实际上在上一步已经计算过了，属于重复计算。

那一个很自然的想法就是，如果上一步将 a’、b’、c’ 缓存起来，那就可以减少计算，从而加速推理。到这里，我们应该很容易理解缓存 KV 的必要性。

2、为什么不需要缓存 Q

先说结论，因为除了第一轮，后续迭代的输入根本不是完整的序列，而是只输入上一步得到的 token。

为什么会这样？原因很简单，因为从上述生成过程我们可以得知，在解码下一个 token 时，实际上只用到了最后一个位置的 token，即解码只需要一个 1 x d 的向量。

以上一轮为例，输入是 [a, b, c]，虽然经过 n 个 transformer block 后，我们得到了一个 3 x d 的矩阵，实际上只取最后一个位置，即 c 对应的 embedding 来解码。

整个计算过程如下：

*第 1 轮：*

输入：[a, b, c]
**经过 n 个 transformer block 后得到 [**a’、b’、c’]，在这个过程中缓存 a，b，c 对应的 K 和 V
取 c’ 解码
输出：d

*第 2 轮：*

输入：[d]
计算 d 对应的 k 和 v，将其拼接到上一步缓存的 K 和 V 中，拼接后 K 和 V 的 shape 为 4 x d
**经过 n 个 transformer block 后得到 [**d’]，在这个过程中缓存 a，b，c，d 对应的 K 和 V
取 d’ 解码
输出：e
…

3、为什么不直接缓存 attention score 或者 attention weight’

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】