DeepSeek-R1秘籍轻松迁移，只需原始数据0.3% | 邱锡鹏团队联合出品

DeepSeek-R1背后关键——多头潜在注意力机制（MLA），现在也能轻松移植到其他模型了！

而且只需原始数据的0.3%~0.6%。

这项研究由复旦大学、华东师范大学、上海AI Lab等联合提出，复旦教授邱锡鹏（Moss大模型项目负责人）也在作者名单之列。

他们提出了MHA2MLA这种数据高效的微调方法，使基于MHA（多头注意力）的大语言模型（LLMs）能够顺利转换到MLA架构。

以Llama2-7B为例，MHA2MLA在降低推理成本（如减少KV缓存大小92.19%）的同时，能将性能损失控制在较小范围（如LongBench性能仅下降0.5%）。

具体咋回事，下面我们接着看。

掌握DeepSeek核心秘诀

多头注意力MHA（Multi-Head Attention）是Transformer架构中的一个核心组件，允许模型同时关注输入的不同部分，每个注意力头都独立地学习输入序列中的不同特征。

然而，随着序列长度的增长，键值（Key-Value，KV）缓存的大小也会线性增加，这给模型带来了显著的内存负担。

为了解决MHA在高计算成本和KV缓存方面的局限性，DeepSeek突破性地引入了多头潜在注意力机制MLA。

简单说，MLA最大创新之处在于：

利用低秩联合压缩键值技术，减少了推理时的KV缓存，从而在保持性能的同时显著降低内存占用。

这一技术也被视为DeepSeek-V3、DeepSeek-R1等当红炸子鸡模型背后的关键。

而现在，为了进一步降低其他LLMs的推理成本，研究人员开发了一种能将采用MHA的模型快速适配MLA架构的方法——MHA2MLA。

这一数据微调方法包含两个关键部分：

• partial-RoPE，即从对注意力分数贡献较小的查询和键的维度中移除旋转位置嵌入（RoPE）；
• 低秩近似，基于预训练的键和值参数引入联合奇异值分解（SVD）近似。

先说第一个。Transformer架构中，RoPE（旋转位置编码，Rotary Position Embedding) 通过旋转操作将位置信息融入查询向量Q和键向量K ，帮助模型捕捉序列位置关系。

但研究发现，在计算注意力分数时，并非所有维度的RoPE对结果贡献相同。

换句话说，即使去除那些对注意力分数影响较小的部分维度的RoPE，理论上不会对模型理解上下文的能力造成关键影响。

基于此，研究人员通过计算敏感度指标来确定哪些维度的RoPE贡献较小。

具体而言，对于每个维度，计算RoPE变化时注意力分数的变化程度。一旦变化程度低于特定阈值的维度，即被判定为对注意力分数贡献小。在后续计算中，这些维度将不再应用RoPE。

最终实验证明，partial-RoPE这一策略在不显著影响模型性能的前提下，减少了计算量。

再说低秩近似策略。

该方法基于预训练的键和值参数，引入联合奇异值分解（SVD）近似。

SVD是一种矩阵分解技术，通过对键值矩阵进行SVD分解，可以用低秩矩阵近似原始矩阵，从而减少参数数量。

具体实现中，研究人员首先提取预训练模型中的键和值参数矩阵，对这些矩阵进行联合SVD分解；然后根据模型的性能和压缩需求，构建低秩近似矩阵，用这些低秩近似矩阵替代原始的键值矩阵参与后续计算。

最终结果显示，此举有效降低了模型推理时的计算量和内存占用。

性能几乎不变，将Llama2 KV缓存减少90%以上

实验环节也验证了MHA2MLA方法的有效性。

能在显著降低推理成本的同时，保持甚至提升模型性能。

研究人员选取了用MHA或GQA预先训练的不同规模（135M-7B）的LLMs，然后设置了对照组。

一组是基于传统MHA的原始模型，用于直接对比MHA2MLA方法在相同任务和数据集上的性能表现；另一组是采用分组查询注意力（GQA）的模型，GQA作为MHA的变体，在一定程度上优化了计算成本，将其与MHA2MLA对比，能更清晰地展现MHA2MLA的优势。

在评估其常识性推理能力的六个基准测试中，研究发现：

与原始LLMs性能相比，四个基础模型的性能变化极小，135M模型性能下降0.25%，360M、1B7和7B模型分别有0.03% 、0.03%和0.37%的性能提升或保持。

这表明微调数据未显著影响原模型性能，MHA2MLA能有效实现架构迁移，而且微调数据仅需预训练数据的0.3%-0.6%。

甚至，较大模型在转换到MLA架构时性能下降更少，这说明这一方法对规模更大的模型更有效。

此外，在长文本生成能力评估中，以LongBench为基准，MHA2MLA相比训练后量化方法，在压缩率和精度平衡上表现出色。

当dkv=16时，MHA2MLA可实现87.5%的压缩率，精度损失仅3%；与4-bit量化结合后，压缩率可达92.19%（dkv=64 + Int4HQQ）和96.87%（dkv=16 + Int4HQQ），精度损失分别为-0.5%和-3.2%，优于所有2-bit量化的基线模型。

这也反映了MHA2MLA方法能够与量化技术良好兼容。

综合以上实验，可以看到以Llama2-7B为例，MHA2MLA在降低推理成本（如减少KV缓存大小92.19%）的同时，能将性能损失控制在较小范围（如LongBench性能仅下降0.5%）。

不过，论文也提到了研究局限性。

受计算资源限制，未在更大、更多样化的开源大语言模型上验证MHA2MLA；且由于Deepseek未开源MLA的张量并行推理框架，难以探索大于7B的模型。

下一步，研究人员计划在更多模型上进行验证。

感兴趣的童鞋可以查看原论文~

论文： https://arxiv.org/abs/2502.14837 代码： https://github.com/JT-Ushio/M...