DeepSeek 如何重写 Transformer：MLA 的 57 倍压缩魔法

原视频：How DeepSeek Rewrote the Transformer [MLA] by Welch Labs
视频链接：http://www.youtube.com/watch?v=kYI-U1_I3mQ
论文：DeepSeek-V2 (arXiv:2405.04434), DeepSeek-V3 (arXiv:2412.19437), DeepSeek-R1 (arXiv:2501.12948)

引子：4MB 一个 token 的灾难

想象一下，你正在和一个大模型聊天。它每说一个词，就要在 GPU 显存里存一份"记忆"——也就是注意力机制里的 Key 和 Value（KV 缓存）。

对于 DeepSeek-R1 这种级别的模型，如果用最传统的多头注意力（MHA），每生成一个 token，KV 缓存要消耗约 4MB 显存。

4MB？听起来不多？

但如果上下文是 1 万个 token，那就是 40GB。这已经超过大多数消费级 GPU 的显存上限了。如果是 10 万 token？400GB。你得租一整台服务器来跑一段长对话。

这就是传统 Transformer 的致命瓶颈：KV 缓存随上下文线性增长，随模型大小也线性增长，双重爆炸。

DeepSeek 的答案是：MLA（Multi-head Latent Attention，多头潜在注意力）。它不是换了个更贵的 GPU，而是把 Transformer 的内存效率提升了 57 倍（V3/R1 估计值）。

相当于把一整个数据中心的显存需求，压缩到了一张显卡里。

为什么 KV 缓存会爆炸？从 MHA 说起

要理解 MLA 的魔法，先得看看它替代的是什么。

传统多头注意力（MHA）

在 Transformer 的每一层，模型有多个"注意力头"（比如 64 个）。每个头都维护自己的一组 Key 和 Value 向量。

假设：

• 模型有 \(L\) 层
• 每层有 \(h\) 个注意力头
• 每个头的维度是 \(d_k\)
• 序列长度是 \(N\)

那 KV 缓存的总大小是：

\(2\) 是因为 Key 和 Value 各一份。\(L\) 是层数，\(h\) 是头数，\(d_k\) 是每头维度，\(N\) 是序列长度。

对于 DeepSeek-R1（671B 参数，37B 激活），如果用标准 MHA，这个数会大到离谱。Welch Labs 的计算显示，每个 token 的 KV 缓存约为 3,997,696 个参数。

从 MHA 到 MQA/GQA：砍头换内存

研究界早就意识到这个问题，解决方案是"砍头"：

• MQA（Multi-Query Attention）：所有 Query 头共享 1 个 KV 头。KV 缓存降到 \(1/h\)。
• GQA（Grouped-Query Attention）：Query 头分组，每组共享少量 KV 头。KV 缓存降到 \(h_{group}/h\)。

这些方案确实减少了内存，但代价是效果下降。共享的 KV 头无法捕捉不同 Query 头需要的多样化信息。就像让 64 个记者共用 1 个录音笔——便宜是便宜，但信息丢失严重。

DeepSeek 说：不砍头，我们改压缩。

MLA 的核心洞察：低秩压缩

MLA 的核心想法是：不要把 KV 的"完整版"存进缓存，存一个高度压缩的"潜在向量"（Latent Vector），用到的时候再解压。

这就像是：

• MHA 把高清电影的每一帧都原封不动存进硬盘
• MQA/GQA 把电影切成更少的副本，但分辨率还是原生的
• MLA 把电影压缩成 MP4 存进硬盘，播放时再实时解码

数学直觉

对于每个 token，传统 MHA 存的是：

MLA 改为存一个低维的潜在向量：

其中 \(d_c \ll d_k\)（比如 \(d_c = 512\)，\(d_k = 4096\)）。\(W^{DK}\) 和 \(W^{DV}\) 是压缩矩阵（Down Projection），把高维 KV 压缩到低维空间。

当需要计算注意力时，用解压矩阵（Up Projection）把 \(c_t^{KV}\) 还原回多头 KV：

然后就可以正常做多头注意力了。

效果有多夸张？

DeepSeek-V2 论文声称 KV 缓存减少了 93.3%。Welch Labs 根据 V3/R1 的架构参数重新计算，估计实际减少 56.9 倍（从 3,997,696 参数降到 70,272 参数）。

不管是 93.3% 还是 56.9 倍，结果都是同一个：128K 的上下文长度，在普通 GPU 上轻松跑。

吸收式投影：数学家的"偷懒"

MLA 的第一个版本已经很好了，但 DeepSeek 还有一招更精妙的：

吸收式投影（Absorbed Projections）。

问题：解压步骤的冗余

在原始 MLA 中，计算流程是：

1. 把缓存的潜在向量 \(c_t^{KV}\) 解压回多头 KV：\(\tilde{K} = W^{UK} c^{KV}\)
2. 用多头 Query \(Q\) 和 \(\tilde{K}\) 算注意力分数：\(Q \tilde{K}^T\)
3. 用注意力权重和 \(\tilde{V}\) 加权求和
4. 把结果投影回模型维度：\(O = W^O \cdot \text{AttentionOutput}\)

这里有两次矩阵乘法：先解压（\(W^{UK} c^{KV}\)），再注意力；最后还要投影（\(W^O\)）。

技巧：矩阵乘法的结合律

数学家看这个问题会立刻想到：矩阵乘法是结合的。\(W^{UK}\) 和 \(W^O\) 都是固定权重矩阵，为什么不把它们"吸收"进其他矩阵里？

具体来说：

1. Query 端吸收：\(W^{UQ}\)（Query 的解压矩阵）可以和 \(W^{UK}\) 合并。实际上 DeepSeek 的设计更巧妙——Query 不是直接解压，而是先算低维 Query，再"共享"解压路径。

2. Output 端吸收：\(W^{UV}\)（Value 的解压矩阵）和 \(W^O\)（输出投影）可以合并成一个矩阵。

3. V 从 K 复用：在 DeepSeek 的实现中，Value 向量不需要单独存，它直接从 Key 向量的前 \(d_c\) 维截取。这进一步减少了存储和计算。

Welch Labs 在视频里展示了这个数学技巧的本质：

"这意味着在推理过程中，模型可以跳过显式的解压步骤，直接在压缩后的低维空间进行部分计算。"

这不是近似，不是有损压缩——是严格的数学等价。通过重新排列乘法顺序，省去了中间步骤的显式计算，结果分毫不差，但运算量大幅减少。

与 RoPE 的舞蹈：解耦位置编码

MLA 有一个隐含的难题：RoPE（旋转位置编码）。

传统 Transformer 用 RoPE 给 Q 和 K 注入位置信息。但 MLA 的 Q 和 K 是在低维潜在空间计算后再解压的——如果直接对低维向量应用 RoPE，解压后的高维向量位置信息会失真。

DeepSeek 的解决方案是解耦 RoPE（Decoupled RoPE）：

• 对于参与 RoPE 的维度，Q 和 K 保留一个小的、独立的向量（带位置编码）
• 对于不参与 RoPE 的维度，走低秩压缩路径
• 两者拼接后一起使用

这样，位置信息通过独立的"快捷通道"传递，压缩信息通过低秩路径传递，互不干扰。

Welch Labs 的视频里可能忽略了这部分（作者备注第5条提到"忽略了位置嵌入"），但这恰恰是 MLA 工程实现中最精妙的地方之一。

为什么 DeepSeek 的 API 能便宜到离谱？

MLA 的 57 倍压缩，不只是技术炫技，它有直接的商业意义：

1. 更少的 GPU 就能跑更大的模型

因为 KV 缓存极小，同样的 GPU 显存可以支持更长的上下文。DeepSeek-R1 可以在更少的 H100 上服务更多用户。

2. 推理速度提升

Welch Labs 引用了 DeepSeek-V2 论文的数据：使用 MLA 后，吞吐量提升了略低于 6 倍。对于 V3/R1 的更大架构，实际提升可能超过 6 倍。

3. 内存带宽不再是瓶颈

Transformer 推理的主要瓶颈不是计算，而是内存带宽——从显存读取 KV 缓存的速度。MLA 把要读取的数据量压缩了 57 倍，带宽瓶颈瞬间缓解。

这就是 DeepSeek API 价格能打到行业最低价的底层原因：

不是模型变小了，是模型变"聪明"了——它知道怎么把记忆压缩到极致，用到的时候再解压。

从 MHA 到 MLA：注意力机制的进化树

MLA 的突破在于：它不是用"砍头"来换内存，而是用"压缩"来换内存。 这意味着它保留了多头注意力的表达能力（每个头仍能关注不同信息），同时把存储开销降到接近 MQA 的水平。

硬件视角：MLA 不只是算法，是架构

一篇 2025 年的硬件分析论文（Robin Geens, KU Leuven）指出：

MLA 不仅减少带宽使用，还能让注意力计算从内存带宽受限（memory-bound）转向计算受限（compute-bound）。

在带宽受限的硬件上，MHA 的大部分时间花在"从显存读取 KV 缓存"上。MLA 把要读取的数据量压缩 57 倍，GPU 的计算单元终于能忙起来，而不是干等数据。

这意味着：未来专门为 MLA 优化的 AI 加速器，可能比优化 MHA 的加速器快一个数量级。MLA 是一个软硬件协同设计的机会。

局限与开放问题

MLA 不是银弹：

1. 训练成本更高：低秩压缩矩阵需要额外训练。虽然推理时零成本，但预训练阶段需要学习压缩/解压的权重。

2. 与现有生态的兼容：MLA 是 DeepSeek 特有的架构，HuggingFace、vLLM 等主流推理框架需要专门适配。FlashMLA 等内核优化也是 DeepSeek 团队自己写的。

3. 注意力模式的灵活性：虽然 MLA 保留了多头结构，但压缩/解压的固定矩阵是否限制了某些注意力模式的学习？目前尚无定论。

4. 超长上下文（>128K）：MLA 在 128K 内表现优异，但 1M+ token 的极端长上下文下，压缩/解压的误差是否会累积？这还需要更多研究。

结语：重写 Transformer 的不是参数，是哲学

DeepSeek 对 Transformer 的改写，本质上是一场关于"记忆如何存储"的哲学革命。

传统 Transformer 说：记忆必须原封不动地存储。MQA/GQA 说：记忆可以共享，但会丢失细节。MLA 说：记忆可以压缩，只要在计算时精确还原。

这 57 倍的压缩不是 magic，是数学——低秩近似、矩阵吸收、解耦 RoPE。每一个技巧都是严谨的线性代数操作，组合起来却产生了质变。

Welch Labs 的视频用了一个精妙的比喻：

"就像是把高清电影压缩成了 MP4 格式存储，只有播放（计算）时才实时解码。"

但更深层的问题是：如果 LLM 的"记忆"可以压缩 57 倍而不失精度，人类大脑的压缩率是多少？我们记住的不是事件的每一个细节，而是压缩后的"语义向量"——在需要时，大脑也能实时"解压"出细节。

MLA 也许不只是让 Transformer 更快。它可能是让我们第一次看到了人工神经网络的"压缩记忆"——一种不同于参数权重的、外化的、可实时解压的信息存储方式。

DeepSeek 用 MLA 把 KV 缓存压缩了 57 倍。下一步，会不会有人把整层权重也压缩到潜在空间？会不会把模型的全部知识，都变成一组随时可以解压的"潜在向量"？

如果是那样，Transformer 就不只是被改写了——它会被重新定义。

参考信息

• 视频：How DeepSeek Rewrote the Transformer [MLA] by Welch Labs
  http://www.youtube.com/watch?v=kYI-U1_I3mQ
• 论文：
  • DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model (arXiv:2405.04434)
  • DeepSeek-V3: arXiv:2412.19437
  • DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (arXiv:2501.12948)
• 硬件分析：Hardware-Centric Analysis of DeepSeek's Multi-Head Latent Attention (Robin Geens, KU Leuven, 2025)
• 迁移方法：MHA2MLA: Towards Economical Inference (arXiv:2502.14837) — 让 Llama 等 MHA 模型快速适配 MLA，仅需 0.3%-0.6% 数据，KV 缓存减少 92.19%
• 视频作者备注：
  1. DeepSeek-V2 论文声称 KV 缓存减少 93.3%
  2. V3/R1 估计减少 56.9 倍（3,997,696/70,272）
  3. 吞吐量提升：V2 论文称略低于 6 倍，V3/R1 可能更大
  4. 注意力模式忽略了句首标记和偏置项矩阵
  5. 位置嵌入（RoPE）被简化处理，参见论文原文

#论文 #DeepSeek #MLA #Transformer #注意力机制 #KV缓存 #低秩压缩 #推理优化 #小凯