Grouped-Query Attention（分组查询注意力）是 Transformer 架构的改进型注意力机制，在多头注意力（MHA）和多查询注意力（MQA）之间取得平衡。通过分组共享键值投影，在保持模型容量的同时显著降低计算资源消耗。

#工作原理

给定输入向量 $Q$（查询）、$K$（键）和 $V$（值），GQA 将查询头分组处理：

每个组内共享键值投影：

其中：

• $g$ 为分组数（通常 $g \ll h$）
• $m = h/g$ 每组包含的头数
• $W_i^Q \in \mathbb{R}^{d_{model}\times d_k}$ 为每组独立的查询投影
• $W_j^K, W_j^V \in \mathbb{R}^{d_{model}\times d_k}$ 为组间共享的键值投影

#核心机制

• 动态分组策略：

  • 将 $h$ 个查询头划分为 $g$ 个组
  • 每组包含 $m=h/g$ 个查询头共享同一组键值投影
  • 通过线性投影实现特征空间的分组耦合

• 参数效率： 总参数量为：

  $$\underbrace{hd_kd_{model}}_{\text{查询投影}} + \underbrace{2gd_kd_{model}}_{\text{键值投影}} = (h + 2g)d_kd_{model}$$

  相比 MHA 减少 $3hd_kd_{model} - (h+2g)d_kd_{model}$ 参数

#优点

• 显存优化：键值缓存显存占用降至 MHA 的 $g/h$，例如 8 头分组为 2 组时显存减少 75%
• 质量保留：PaLM 2 实验显示，GQA（g=8）与 MHA 相比在质量指标上差异小于 0.5%
• 灵活扩展：通过调整分组数 $g$ 实现质量与效率的连续调节：
  • $g=h$ 时退化为标准 MHA
  • $g=1$ 时等价于 MQA

#缺点

• 分组调优成本：需要实验确定最佳分组数，不同任务/架构可能有不同最优配置
• 投影偏差风险：共享键值投影可能限制不同组的特征多样性
• 实现复杂度：需要管理分组投影的矩阵运算，可能引入额外的张量变换开销

#性能对比

GQA 论文中使用的T5 Large 和 XXL 模型在多头注意力、5% 训练的 T5-XXL 模型在多查询和分组查询注意力下，在摘要数据集 CNN/Daily Mail、arXiv、PubMed、MediaSum 和 MultiNews，翻译数据集 WMT，以及问答数据集 TriviaQA 上的推理时间和平均开发集性能比较。

#Refs

GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints