QKV 三位一体是刚需吗？这篇论文把 Transformer 的三角恋拆成了二人转

> 论文：Do Transformers Need Three Projections? Systematic Study of QKV Variants > arXiv: 2606.04032 | 2026年6月 > 机构：BrainChip Inc.（来自论文Impact Statement推断） > 代码：https://github.com/Brainchip-Inc/Do-Transformers-Need-3-Projections

---

🔥 一句话总结

这篇论文问了一个"大逆不道"的问题：Transformer 的 Q、K、V 三个投影矩阵，真的缺一不可吗？实验证明：K 和 V 可以共享（Q-K=V），300M 模型只损失 3.1% 困惑度，但 KV Cache 直接砍半。更狠的是，和 GQA/MQA 叠加后，Cache 压缩率可达 96.9%。Attention 需要的是 Q 与 K/V 之间的方向性，不是三个独立投影。

---

🎯 问题：KV Cache 是显存刺客

上下文长度从 8K 飙到 128K，算力早不是唯一瓶颈。KV Cache 才是真正的"显存刺客"——每个 token 都要缓存 Key 和 Value，长度一涨，显存呈线性爆炸。

现有解法：

• MQA（Multi-Query Attention）：所有 Query 头共享一组 K/V → Cache 砍到 1/H
• GQA（Grouped Query Attention）：Query 分组共享 K/V → Cache 砍到 G/H
• 量化：INT8/INT4 压缩 Cache → 进一步砍半

但这些都是在"头"的维度做共享。这篇论文问：能不能在"投影矩阵"维度做共享？

---

⚙️ 三种投影共享方案

论文系统评估了三种 progressively aggressive 的共享约束：

方案1：Q=K-V（共享 Q 和 K，独立 V）

A = Softmax(α * K * K^T) * V

问题：Q=K 导致注意力矩阵对称（K*K^T 天然对称），破坏了因果语言建模需要的方向性。

结果：训练质量还行（+4.9% 困惑度），但零 Cache 收益——因为 K 和 V 仍然要分别缓存。

verdict：不推荐。

方案2：Q-K=V（独立 Q，共享 K 和 V）⭐

A = Softmax(α * Q * K^T) * K   # V 就是 K！

关键洞察：K 和 V 在表示空间上高度重叠。论文分析了训练好的 QKV 模型：

• K 和 V 的投影矩阵余弦相似度：0.73
• K 和 V 的有效秩：687 vs 702（共 1024 维）
• Q 与 K/V 的相似度：仅 0.42 / 0.31

结论：K 和 V 本来就在做类似的事，强制共享损失极小。

收益：

• 300M 模型：+3.1% 困惑度，50% KV Cache 减少
• 1.2B 模型：+2.48% 困惑度，相对排名稳定
• 下游任务（HellaSwag/PIQA/ARC 等）：平均仅损失 0.41%

方案3：Q=K=V（单投影）

A = Softmax(α * K * K^T) * K

结果：灾难性质量损失（+25.4% 困惑度）。同时破坏了方向性和表征丰富度。

verdict：绝对不要。

---

📊 叠加 GQA/MQA：Cache 压缩的终极配方

投影共享和头共享是正交的，可以叠加：

配置	KV Cache 压缩率	300M 困惑度损失	1.2B 困惑度损失
QKV（基线）	0%	—	—
Q-K=V	50%	+3.1%	+2.48%
GQA-4	75%	+0.7%	—
MQA	93.8%	+1.5%	+1.06%
Q-GQA-4	87.5%	+3.9%	—
Q-MQA	96.9%	+4.8%	+4.16%

关键发现：

• Q-K=V + MQA = 96.9% Cache 压缩，但质量损失仅 4.8%（300M）/ 4.16%（1.2B）
• 1.2B 模型上，Q-MQA 的 Cache 从 5.9GB → 88MB（67× 压缩）
• 下游任务上，Q-GQA-8 甚至超过了 QKV 基线（36.72% vs 36.40%）

实际部署场景（论文举例）：

32K 上下文，100 并发用户，A100 40GB：
- QKV：每人 2.62GB Cache → 15 用户/GPU → 需要 7 台 GPU（$14k/月）
- Q-K=V：每人 1.31GB Cache → 30 用户/GPU → 需要 4 台 GPU（$8k/月）
- 节省：$6k/月 = $72k/年（43% 成本降低）

---

🧠 深度解读：为什么 Q-K=V 有效

1. V 的角色被高估了

传统理解：

• Q："我要找什么"（查询）
• K："我有什么"（索引）
• V："内容是什么"（载荷）

论文的发现挑战了这个直觉：V 的独立投影并非必要。因为：

• K 的投影矩阵已经包含了足够的语义信息来同时充当"索引"和"载荷"
• Attention 的核心是 Q 和 K 之间的方向性（Q*K^T），不是 K 和 V 之间的差异

2. 为什么 Q=K-V 不行（对称注意力诅咒）

Q=K 导致注意力矩阵对称（K*K^T = (K*K^T)^T），这意味着：

• token i 对 token j 的注意力 = token j 对 token i 的注意力
• 因果语言建模中，这种对称性破坏了"只能看左边"的方向性

对于视觉/非因果任务，对称性不是大问题（所以 Q=K-V 在视觉任务上表现尚可）。但对于语言建模，方向性至关重要。

3. 与 MQA 的互补性

MQA 减少 Cache 的方式：减少 K/V head 的数量（从 H 个降到 1 个） Q-K=V 减少 Cache 的方式：每个 head 内部不再分别存 K 和 V

两者相乘：

• MQA 单独：Cache = 2 * 1 * d * n / H = 2dn/H → 压缩到 1/H
• Q-K=V + MQA：Cache = 1 * 1 * d * n / H = dn/H → 压缩到 1/(2H)

4. 规模效应：越大越robust

规模	Q-K=V 困惑度损失
300M	+3.1%
1.2B	+2.48%

趋势：模型越大，投影共享的质量损失越小。如果这一趋势延续到 7B+，投影共享对生产模型将极具吸引力。

---

⚠️ 局限

1. 最大验证规模 1.2B：7B+ 模型的行为尚未验证。不过趋势是乐观的。

2. 序列长度限制：实验最长 2048 tokens，更长上下文的 extrapolation 行为未知。

3. 理论解释是经验性的：论文通过分析训练好的模型的 K/V 投影矩阵相似度来解释为什么 Q-K=V 有效，但缺乏 formal 的理论保证。

4. Q=V 消融缺失：论文没有测试 Q=V 共享（只保留 K 独立）。不过作者解释了原因：Q 不被缓存，其"寻址"角色与 V 的"载荷"角色根本不同，所以 Q=V 是最不自然的约束。

---

🔗 相关阅读

• 论文原文：arXiv:2606.04032
• 代码仓库：https://github.com/Brainchip-Inc/Do-Transformers-Need-3-Projections
• 相关工作：
• MQA（Shazeer, 2019）：头共享的鼻祖
• GQA（Ainslie et al., 2023）：Llama 2/Mistral 采用的方案
• DeepSeek-V2 MLA：通过压缩到 latent vector 减少 Cache
• He & Hofmann (2024)：Simplifying Transformer Blocks，也质疑 V 的必要性

---

> 这篇论文的核心启示：Transformer 的 QKV 设计可能是一种"过度参数化"的历史惯性，而非最优解。 三个投影矩阵中，K 和 V 的独立性可能不是必要的——它们共享的表示空间足以同时承担"索引"和"载荷"的功能。而 Q 的独立性至关重要，因为它提供了注意力机制的方向性。这就像一个团队：需要有一个明确的"提问者"（Q），但"索引员"和"内容提供者"可以是同一个人（K=V）。把 QKV 从"三角恋"优化成"二人转"，在几乎没有质量损失的情况下砍掉一半 KV Cache——这才是工程化的思维方式。

#Transformer #QKV #KVCahce #注意力机制 #模型压缩 #效率优化 #论文解读 #AI研究