↓
  1. 笔记/

LLM 注意力与计算内核：8 篇精读笔记总览

··
LLM推理优化 注意力内核

系列定位：继 量化精读笔记（每一步的数值/带宽）与 推测解码精读笔记（需要的步数）之后的第三部 MIT lecture note 级别推理优化精读。本系列进入"单步前向内部"：注意力机制与底层计算内核。 格式与之前一致：形式化定义 → 数学推导 → 伪代码/算法 → 数值算例 → 直觉解释 → 习题（含答案）→ 延伸阅读；公式使用 Markdown + LaTeX（$...$ / $$...$$）。

1. 系列结构与来源映射 #

章节文件核心内容对应来源
00本文件学习地图、符号约定、与另两个系列的关系—
01注意力计算复杂度是怎么来的？prefill 和 decode 差在哪softmax attention 定义、O(L²) 复杂度、因果掩码、KV cache 角色、prefill/decode 形态Vaswani et al. 2017；Inference Engineering Ch5
02FlashAttention 原理是什么？为什么又省显存又快online softmax、tiling、重计算、FA2/FA3、为什么"算更多反而更快"FlashAttention（arXiv:2205.14135；2307.08691；2407.08608）
03MQA、GQA、MLA 有什么区别？KV Cache 该怎么省KV 头共享、低秩压缩、DeepSeek MLA、显存与质量权衡GQA（arXiv:2305.13245）；DeepSeek-V2（arXiv:2405.04434）
04稀疏注意力、滑动窗口和线性注意力怎么选StreamingLLM / Attention Sink、滑动窗口、H2O、线性注意力、SSM/MambaStreamingLLM（arXiv:2309.17453）；Mamba（arXiv:2312.00752）
05PagedAttention 是怎么省下 KV Cache 显存的？分页 KV、vLLM 块管理、与连续批处理/前缀缓存组合PagedAttention / vLLM（arXiv:2309.06180）
06注意力内核怎么优化？算子融合、CUDA Graph 与 Triton访存-计算模型、算子融合、Tensor Core、FA 的 kernel 细节、FP8 注意力、编译优化FlashAttention 系列；工程实践
07注意力优化上线怎么验收？吞吐、显存与精度怎么测与量化/推测解码/调度组合、注意力精度验收、决策树vLLM/SGLang/TensorRT-LLM 实践
08SGLang RadixAttention 原理是什么？前缀缓存怎么提升命中率跨请求 KV 复用、radix tree、cache-aware 调度、KV 存储层级、路由、disaggregationRadixAttention / SGLang（arXiv:2312.07104）；Inference Engineering Ch5

2. 三部系列的关系：一张总表 #

                    LLM 推理优化
       ┌──────────────┼──────────────────┐
   每步成本        需要的步数           单步内部
       │               │                  │
   量化（已写完）   推测解码（已写完）   注意力与内核（本系列）
   数值/带宽         步数/草稿           计算路径/显存

互补性：

量化：让"一次搬移/一次运算"更便宜（带宽减半、FLOPS 翻倍）
推测：让"需要的步数"更少（一次验证多步）
注意力内核：让"单步前向里最贵的部分"更高效（O(L²) 注意力与 KV 显存）
三者乘法叠加：每步成本 × 步数 × 每步内部效率 = 端到端收益

决策框架（衔接之前系列）：

1. 先看注意力：长上下文时它是最贵的（01 章 L/(2d) 判据）
2. 再看步数：推测解码无损提步数（已写完）
3. 最后看数值：量化兜底（已写完）

3. 符号约定（全系列通用，新增） #

符号含义
$L$序列长度
$d$ / $d_{\text{model}}$隐藏维度
$h$注意力头数
$d_{\text{head}}$每头维度（$d_{\text{head}} = d/h$）
$n_{\text{kv}}$KV 头数（MQA 为 1，GQA 取中间值）
$d_{\text{kv}}$KV 总维度（$n_{\text{kv}} \times d_{\text{head}}$）
$\mathbf{Q}, \mathbf{K}, \mathbf{V}$查询/键/值矩阵（$L \times d_{\text{head}}$）
$M$片上 SRAM 容量（FlashAttention 的预算）
$B_c, B_r$FlashAttention 的块大小（列/行）
$\text{KV bytes}$KV cache 每 token 字节数

沿用：$T_p$（目标每 token 时间）、$\alpha$（接受率）、$c$（速度比）、W4A8KV4 等记法。

4. 阅读顺序 #

[01 注意力基础与复杂度](/notes/llm注意力内核精读笔记-01-注意力机制基础与复杂度分析/)（为什么 O(L²)、KV cache 从哪来）
  → [02 FlashAttention](/notes/llm注意力内核精读笔记-02-flashattention-io感知的精确注意力/)（prefill 侧：怎么把 L² 算得快且省显存）
  → [03 MQA/GQA/MLA](/notes/llm注意力内核精读笔记-03-注意力头变体-mqa-gqa-mla/)（decode 侧：怎么把 KV 显存砍下来）
  → [04 稀疏/线性注意力](/notes/llm注意力内核精读笔记-04-稀疏滑动窗口与线性注意力/)（长上下文：怎么跳过 L²）
  → [05 PagedAttention](/notes/llm注意力内核精读笔记-05-pagedattention与kv显存管理/)（系统侧：KV 显存怎么分页管理）
  → [06 内核优化](/notes/llm注意力内核精读笔记-06-内核优化与算子融合/)（硬件侧：算子融合与 Tensor Core）
  → [07 系统集成与验收](/notes/llm注意力内核精读笔记-07-系统集成与生产验收/)（怎么组合、怎么验收）
  → [08 前缀缓存与 KV 复用](/notes/llm注意力内核精读笔记-08-前缀缓存与kv复用/)（跨请求的 KV 别重算、往哪存、怎么路由）

5. 配套资源 #

资源用途
Attention Is All You Need（arXiv:1706.03762）缩放点积注意力的原始定义
FlashAttention（arXiv:2205.14135） / FA2（arXiv:2307.08691） / FA3（arXiv:2407.08608）IO 感知精确注意力
GQA（arXiv:2305.13245） / DeepSeek-V2 MLA（arXiv:2405.04434）KV 头共享与压缩
StreamingLLM（arXiv:2309.17453） / Mamba（arXiv:2312.00752）长上下文与次二次方法
PagedAttention / vLLM（arXiv:2309.06180）KV 分页与系统集成
SGLang / RadixAttention（arXiv:2312.07104）前缀缓存与 KV 复用的系统实现
Inference Engineering Ch5教材正文（Attention 与系统部分）