架构演进

多头注意力（MHA） · 10

最初的形式：每个查询头配一组 key–value 头。从 GPT-2 到 2023 年前的大多数稠密模型均如此。

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

多查询注意力（MQA） · 3

所有查询头共享单个 KV 头——以一定质量代价换取极致的 KV 缓存节省；在前沿开源模型中已少见。

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

分组查询注意力（GQA） · 46

少量 KV 头在查询头组间共享。自 Llama 2 70B 起成为稠密开源模型的默认选择。

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

多头潜在注意力（MLA） · 21

将 key 与 value 压缩进低秩潜在向量，大幅缩小 KV 缓存；随 DeepSeek-V2 引入。

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

混合线性注意力 · 0

以线性注意力层为主、间以少量全注意力层，用接近恒定的显存换取长上下文能力。