APB是什么
APB（Accelerating Distributed Long-Context Inference by Passing Compressed Context Blocks across GPUs）是清华大学等机构联合提出的分布式长上下文推理框架。通过稀疏注意力机制和序列并行推理方式，有效解决了大模型处理长文本时的效率瓶颈。APB采用更小的Anchor block和Passing block，结合查询感知的上下文压缩技术，减少计算开销的同时，精准传递关键信息，实现长距离语义依赖的高效处理。在128K文本上，APB推理速度比Flash Attention快约10倍，比英伟达的Star Attention快1.6倍，且性能优异。具备卓越的兼容性，能适应不同分布式设定和模型大小。
APB的主要功能
- 加速长上下文推理：APB通过多主机近似注意力机制显著提升推理速度，相比Flash Attention、Ring Attention和Star Attention分别实现了高达9.2倍、4.2倍和1.6倍的速度提升。通过序列并行化和近似注意力机制的结合，APB在保持任务性能的同时，大幅减少了计算量和通信开销。
- 高效的分布式计算：
- 上下文分割：输入序列被均匀分配到多个主机上，在每个主机的本地上下文块前附加一个锚点块（Anchor Block），保留对输入序列初始部分的可见性。
- 块压缩：在每个主机上，使用Locret的保留头（Retaining Heads）对KV缓存进行压缩，减少通信和计算开销。
- 通信机制：通过AllGather通信机制，将压缩后的上下文块发送到所有主机，并构建传递块（Passing Block），以传递前序主机的重要KV缓存单元。
- 计算：在每个主机上，结合锚点块、传递块和本地上下文块进行注意力计算。传递块在注意力计算后被丢弃，不参与后续计算。
- 适应性强：APB支持多种模型和并行配置，能适应不同的分布式设置和模型大小，具有良好的可扩展性，通过调整锚点块和传递块的大小，APB可以在不同长度的输入序列上实现最佳性能。
- 保持任务性能：在长上下文推理任务中，APB速度更快，在性能上与全注意力计算（Full Attention）相当，在某些任务上表现更好。通过查询感知的上下文压缩技术，APB能更精准地识别和传递与查询相关的上下文信息，保持或提升任务性能。
APB的技术原理
- 稀疏注意力机制：APB框架整合了稀疏注意力机制，通过减少计算量来提升推理速度。通过以下方式实现稀疏注意力：
- 更小的Anchor block：与Star Attention相比，APB将Anchor block的大小缩小到上下文块的1/4或1/8，从而减少了额外的计算开销。
- Passing block：为了解决长距离语义依赖问题，APB通过构建Passing block来传递重要信息。Passing block由前面设备上的重要KV对组成，每个上下文块被压缩后通信到后续GPU上构建Passing block。
- 查询感知的上下文压缩：APB在Anchor block的开头嵌入查询，使上下文压缩器能够看到查询的内容，更精准地识别出查询相关的KV对，通过通信机制传给后续设备。
- 序列并行推理：APB框架采用序列并行的方式，将长文本均匀分配到多个GPU上进行并行处理，同时通过局部KV缓存压缩和精简的跨GPU通信机制，解决了长上下文中的远距离语义依赖问题。
APB的项目地址
- Github仓库：https://github.com/thunlp/APB
- arXiv技术论文：https://arxiv.org/pdf/2502.12085
APB的应用场景
- 长文本推理：如长文本生成、长文本问答等，需要处理极长输入序列的应用。
- 多Agent协作：多个Agent需要协同处理长上下文信息的场景。
- 大规模模型服务：需要在分布式环境中高效处理长上下文的模型服务。
- 知识图谱构建：知识图谱构建任务需要处理大量的文本数据，提取和整合知识。APB框架通过高效的上下文压缩和传递机制，能显著提升知识图谱构建的效率。
- 实时交互系统：实时交互系统需要快速处理用户的输入生成准确的回复。APB框架通过高效的上下文压缩和传递机制，能显著提升实时交互系统的效率。