本文中：
最多400万token上下文、推理提速22倍，StreamingLLM火了，已获GitHub 2.5K星
提到了StreamingLLM可以提供给模型无限输入、无限输出的能力，大概解读一下这个概念

可以实现：

• 可以支持无限输入，但原理不是全记住这些输入
• 可以支持无限输出

---

1 第一个概念点：KV Cache

Transformer推理性能优化技术很重要的一个就是K V cache，能否通俗分析，可以结合代码?

本来每次模型输出都是依次进行：

step 0 input: Lionel Messi is a player
step 1 input: Lionel Messi is a player who
step 2 input: Lionel Messi is a player who has
step 3 input: Lionel Messi is a player who has been
step 4 input: Lionel Messi is a player who has been a
step 5 input: Lionel Messi is a player who has been a key
step 6 input: Lionel Messi is a player who has been a key part
step 7 input: Lionel Messi is a player who has been a key part of
step 8 input: Lionel Messi is a player who has been a key part of the
step 9 input: Lionel Messi is a player who has been a key part of the team
step 10 input: Lionel Messi is a player who has been a key part of the team's
step 11 input: Lionel Messi is a player who has been a key part of the team's success
step 12 input: Lionel Messi is a player who has been a key part of the team's success.
step 13 input: Lionel Messi is a player who has been a key part of the team's success.

 Input: Lionel Messi is a
Output: Lionel Messi is a player who has been a key part of the team's success.

当前轮输出token与输入tokens拼接，并作为下一轮的输入tokens，反复多次。可以看出第i+1轮输入数据只比第i轮输入数据新增了一个token，其他全部相同！因此第i+1轮推理时必然包含了第 i 轮的部分计算。KV Cache，缓存当前轮可重复利用的计算结果，下一轮计算时直接读取缓存结果，就是这么简单，不存在什么Cache miss问题。

2 attention sink

attention sink这个词笔者认为是 注意力机制一直关注的地方。从下图可知，也就是前几个token ，不论文章多长，前几个token一直非常重要。

如果文章非常长，那开头还这么重要，是不是有违常理？
这里的大概解释是，softmax导致的

由于Softmax需要所有位置的值的总和为1，因此必须“表态”给某些位置较大的权重，这就可能导致错误的权重更新，而这个错误在后续的过程中很难被纠正。

因为前几个token非常重要，
由此StreamingLLM 提供了【Window Attention的改进版】

attention关注两个区域：

• 黄色区域，attention sinks，前几个token
• 蓝色区域，rolling kv cache，临近的几个token

由此，为啥StreamingLLM可以支持无限输入，代表，attention只关注了以上两个部分

3 无限输出

StreamingLLM的作用更像是可以自动帮你新建会话。比如，你和一个2K窗口的机器人说话，它说到2K token就戛然而止，你需要再补个“继续”之类的，才能继续对话。
StreamingLLM帮你省了这一步，直接流式无限输出了

---

参考：
LLM推理技术之StreamingLLM：如何拥有无限长生成能力
最多400万token上下文、推理提速22倍，StreamingLLM火了，已获GitHub 2.5K星
StreamingLLM 框架问世，该框架有哪些功能？