Evoluzione architetturale

attention multi-head (MHA) · 10

La formulazione originale: una coppia di teste chiave–valore per ogni testa di query. Standard da GPT-2 alla maggior parte dei modelli densi precedenti al 2023.

GPT-2 GPT-3 175B (paper) LLaMA 1 7B DeepSeek-Coder 6.7B DeepSeek LLM 7B DeepSeekMoE 16B Qwen1.5 7B Step-3 Step-3.5-Flash Step-3.7-Flash

attention multi-query (MQA) · 3

Una singola testa KV condivisa serve tutte le teste di query — risparmi aggressivi di cache KV a costo di una certa qualità; rara nei modelli aperti di punta.

DeepSeek-V4-Flash DeepSeek-V4-Flash Base DeepSeek-V4-Pro

attention grouped-query (GQA) · 46

Poche teste KV condivise tra gruppi di teste di query. Lo standard per i modelli aperti densi da Llama 2 70B.

Llama 2 70B Mistral 7B ChatGLM3 6B Mixtral 8x22B GLM-4 9B Qwen2 72B Llama 3.1 70B Llama 3.1 8B Qwen2.5 72B Qwen2.5 7B MiniMax-Text-01 Qwen3 0.6B Qwen3 235B A22B Qwen3 30B A3B Qwen3 32B Qwen3 8B MiniMax-M1 GLM-4.5 GLM-4.5-Air Hunyuan 7B GPT-OSS 120B GPT-OSS 20B Qwen3-Next 80B A3B GLM-4.6 MiniMax-M2 Qwen3-Coder-Next MiniMax-M2.5 Qwen3.5 122B A10B Qwen3.5 27B Qwen3.5 35B A3B Qwen3.5 397B A17B Qwen3.5 9B Qwen3.5 9B Base Hunyuan 3 Preview Hunyuan 3 Preview Base MiniMax-M2.7 Qwen3.6 27B Qwen3.6 35B A3B Hunyuan-TurboS 30B A3B Hunyuan-TurboS 7B MiniMax-M3 MiniMax-M3 MXFP8 Hunyuan 3 Qwen3.8 2.4T A95B Qwen3.8 27B Qwen3.8-Flash-Next

attention multi-head latente (MLA) · 21

Chiavi e valori sono compressi in un vettore latente a basso rango, riducendo drasticamente la cache KV; introdotto con DeepSeek-V2.

DeepSeek-V2 DeepSeek-V2 Lite DeepSeek-V3 DeepSeek-V3 Base DeepSeek-R1 Moonlight 16B Kimi K2 Base DeepSeek-V3.1 DeepSeek-V3.2 Kimi K2 0905 Kimi Linear 48B A3B GLM-4.7-Flash GLM-5 Kimi K2.5 GLM-5.1 Kimi K2.6 GLM-5.2 Kimi K3 GLM-5.3 GLM-5.3-Flash Hunyuan 4 Preview

attention lineare ibrida · 0

Una minoranza di strati di attention completa alternata a strati di attention lineare, scambiando il costo del lungo contesto per una memoria quasi costante.