aclnnFusedInferAttentionScoreV2

支持的产品型号

• Atlas A2训练系列产品/Atlas 800I A2推理产品。

功能描述

• 算子功能：适配增量&全量推理场景的FlashAttention算子，既可以支持全量计算场景（PromptFlashAttention），也可支持增量计算场景（IncreFlashAttention）。当Query矩阵的S为1，进入IncreFlashAttention分支，其余场景进入PromptFlashAttention分支。
• 计算公式：详细内容可参考及。

实现原理

该算子是全量计算场景（PromptFlashAttention）和增量计算场景（IncreFlashAttention）的融合算子，详细实现原理可参考及。

算子执行接口

算子执行接口为两段式接口，必须先调用“aclnnFusedInferAttentionScoreV2GetWorkspaceSize”接口获取入参并根据计算流程计算所需workspace大小，再调用“aclnnFusedInferAttentionScoreV2”接口执行计算。

• aclnnStatus aclnnFusedInferAttentionScoreV2GetWorkspaceSize(const aclTensor *query, const aclTensorList *key, const aclTensorList *value, const aclTensor *pseShiftOptional, const aclTensor *attenMaskOptional, const aclIntArray *actualSeqLengthsOptional, const aclIntArray *actualSeqLengthsKvOptional, const aclTensor *deqScale1Optional, const aclTensor *quantScale1Optional, const aclTensor *deqScale2Optional, const aclTensor *quantScale2Optional, const aclTensor *quantOffset2Optional, const aclTensor *antiquantScaleOptional, const aclTensor *antiquantOffsetOptional, const aclTensor *blockTableOptional, const aclTensor *queryPaddingSizeOptional, const aclTensor *kvPaddingSizeOptional, const aclTensor *keyAntiquantScaleOptional, const aclTensor *keyAntiquantOffsetOptional, const aclTensor *valueAntiquantScaleOptional, const aclTensor *valueAntiquantOffsetOptional, const aclTensor *keySharedPrefixOptional, const aclTensor *valueSharedPrefixOptional, const aclIntArray *actualSharedPrefixLenOptional, int64_t numHeads, double scaleValue, int64_t preTokens, int64_t nextTokens, char *inputLayout, int64_t numKeyValueHeads, int64_t sparseMode, int64_t innerPrecise, int64_t blockSize, int64_t antiquantMode, bool softmaxLseFlag, int64_t keyAntiquantMode, int64_t valueAntiquantMode, const aclTensor *attentionOut, const aclTensor *softmaxLse, uint64_t *workspaceSize, aclOpExecutor **executor)
• aclnnStatus aclnnFusedInferAttentionScore(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, const aclrtStream stream)

aclnnFusedInferAttentionScoreV2GetWorkspaceSize

• 参数说明：

  • query（aclTensor*，计算输入）：Device侧的aclTensor，attention结构的Query输入，数据类型支持FLOAT16、BFLOAT16、INT8，不支持非连续的Tensor，数据格式支持ND。

  • key（aclTensorList*，计算输入）：Device侧的aclTensorList，attention结构的Key输入，数据类型支持FLOAT16、BFLOAT16、INT8，不支持非连续的Tensor，数据格式支持ND。

  • value（aclTensorList*，计算输入）：Device侧的aclTensorList，attention结构的Value输入，数据类型支持FLOAT16、BFLOAT16、INT8，不支持非连续的Tensor，数据格式支持ND。

  • pseShiftOptional（aclTensor*，计算输入）：Device侧的aclTensor，在attention结构内部的位置编码参数，数据类型支持FLOAT16、BFLOAT16，数据类型与query的数据类型需满足数据类型推导规则。不支持非连续的Tensor，数据格式支持ND。如不使用该功能时可传入nullptr。

    • Q_S不为1，要求在pseShiftOptional为FLOAT16类型时，此时的query为FLOAT16或INT8类型，而在pseShiftOptional为BFLOAT16类型时，要求此时的query为BFLOAT16类型。输入shape类型需为（B,N,Q_S,KV_S）或（1,N,Q_S,KV_S），其中Q_S为query的shape中的S，KV_S为key和value的shape中的S。对于pseShiftOptional的KV_S为非32对齐的场景，建议padding到32字节来提高性能，多余部分的填充值不做要求。
    • Q_S为1，要求在pseShiftOptional为FLOAT16类型时，此时的query为FLOAT16类型，而在pseShiftOptional为BFLOAT16类型时，要求此时的query为BFLOAT16类型。输入shape类型需为（B,N,1,KV_S）或（1,N,1,KV_S），其中KV_S为key和value的shape中的S。对于pseShiftOptional的KV_S为非32对齐的场景，建议padding到32字节来提高性能，多余部分的填充值不做要求。

  • attenMaskOptional（aclTensor*，计算输入）：Device侧的aclTensor，对QK的结果进行mask，用于指示是否计算Token间的相关性，不支持非连续的Tensor，数据类型支持BOOL、INT8和UINT8。数据格式支持ND。如果不使用该功能可传入nullptr。

    • Q_S不为1时建议shape输入Q_S,KV_S;B,Q_S,KV_S;1,Q_S,KV_S;B,1,Q_S,KV_S;1,1,Q_S,KV_S。
    • Q_S为1时建议shape输入B,KV_S;B,1,KV_S;B,1,1,KV_S。

    其中Q_S为query的shape中的S，KV_S为key和value的shape中的S，但如果Q_S、KV_S非16或32对齐，可以向上取到对齐的S。综合约束请见约束与限制。

  • actualSeqLengthsOptional（aclIntArray*，计算输入）：Host侧的aclIntArray，代表不同Batch中query的有效Sequence Length，数据类型支持INT64。如果不指定seqlen可以转入nullptr，表示和query的shape的s长度相同。限制：该入参中每个batch的有效Sequence Length应该不大于query中对应batch的Sequence Length，Q_S为1时该参数无效。

  • actualSeqLengthsKvOptional（aclIntArray*，计算输入）：Host侧的aclIntArray，可传入nullptr，代表不同Batch中key/value的有效Sequence Length。数据类型支持：INT64。如果不指定seqlen可以转入nullptr，表示和key/value的shape的s长度相同。限制：该入参中每个batch的有效Sequence Length应该不大于key/value中对应batch的Sequence Length。

  • deqScale1Optional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：UINT64。数据格式支持ND（参考），表示BMM1后面反量化的量化因子，支持per-tensor。 如不使用该功能时可传入nullptr，综合约束请见约束与限制。

  • quantScale1Optional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT32。数据格式支持ND（参考），表示BMM2前面量化的量化因子，支持per-tensor。 如不使用该功能时可传入nullptr，综合约束请见约束与限制。

  • deqScale2Optional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：UINT64。数据格式支持ND（参考），表示BMM2后面量化的量化因子，支持per-tensor。 如不使用该功能时可传入nullptr，综合约束请见约束与限制。

  • quantScale2Optional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT32、BFLOAT16。数据格式支持ND（参考），表示输出量化的量化因子，支持per-tensor，per-channel。 如不使用该功能时可传入nullptr，综合约束请见约束与限制。

  • quantOffset2Optional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT32、BFLOAT16。数据格式支持ND（参考），表示输出量化的量化偏移，支持per-tensor，per-channel。 如不使用该功能时可传入nullptr，综合约束请见约束与限制。

  • antiquantScaleOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT16、BFLOAT16、FLOAT32。数据格式支持ND（参考），表示反量化因子，支持per-tensor，per-channel，per-token。Q_S大于等于2时只支持FLOAT16，如不使用该功能时可传入nullptr。综合约束请见约束与限制。

  • antiquantOffsetOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT16、BFLOAT16、FLOAT32。数据格式支持ND（参考），表示反量化偏移，支持per-tensor，per-channel，per-token。Q_S大于等于2时只支持FLOAT16，如不使用该功能时可传入nullptr。综合约束请见约束与限制。

  • blockTableOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：INT32。数据格式支持ND（参考）。表示PageAttention中KV存储使用的block映射表，如不使用该功能可传入nullptr；Q_S大于等于2时该参数无效。

  • queryPaddingSizeOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：INT64。数据格式支持ND（参考）。表示Query中每个batch的数据是否右对齐，且右对齐的个数是多少。仅支持Q_S大于1，其余场景该参数无效。用户不特意指定时可传入默认值nullptr。

  • kvPaddingSizeOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：INT64。数据格式支持ND（参考）。表示key/value中每个batch的数据是否右对齐，且右对齐的个数是多少。用户不特意指定时可传入默认值nullptr。

  • keyAntiquantScaleOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT16、BFLOAT16、FLOAT32。数据格式支持ND（参考），kv伪量化参数分离时表示key的反量化因子，支持per-tensor，per-channel，per-token。Q_S大于等于2时该参数无效，如不使用该功能时可传入nullptr。综合约束请见约束与限制。

  • keyAntiquantOffsetOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT16、BFLOAT16、FLOAT32。数据格式支持ND（参考），kv伪量化参数分离时表示key的反量化偏移，支持per-tensor，per-channel，per-token。Q_S大于等于2时该参数无效，如不使用该功能时可传入nullptr。综合约束请见约束与限制。

  • valueAntiquantScaleOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT16、BFLOAT16、FLOAT32。数据格式支持ND（参考），kv伪量化参数分离时表示value的反量化因子，支持per-tensor，per-channel，per-token。Q_S大于等于2时该参数无效，如不使用该功能时可传入nullptr。综合约束请见约束与限制。

  • valueAntiquantOffsetOptional（aclTensor*，计算输入）：Device侧的aclTensor，数据类型支持：FLOAT16、BFLOAT16、FLOAT32。数据格式支持ND（参考），kv伪量化参数分离时表示value的反量化偏移，支持per-tensor，per-channel，per-token。Q_S大于等于2时该参数无效，如不使用该功能时可传入nullptr。综合约束请见约束与限制。

  • keySharedPrefixOptional（aclTensor*，计算输入）：Device侧的aclTensor，key公共前缀输入，预留参数，暂未使用，请传nullptr。

  • valueSharedPrefixOptional（aclTensor*，计算输入）：Device侧的aclTensor，Value公共前缀输入，预留参数，暂未使用，请传nullptr。

  • actualSharedPrefixLenOptional（aclIntArray*，计算输入）：Host侧的aclIntArray，预留参数，暂未使用，请传nullptr。

  • numHeads（int64_t，计算输入）：Host侧的int，代表query的head个数，数据类型支持INT64，在BNSD场景下，需要与shape中的query的N轴shape值相同，否则执行异常。

  • scaleValue（double，计算输入）：Host侧的double，公式中d开根号的倒数，代表缩放系数，作为计算流中Muls的scalar值，数据类型支持DOUBLE。数据类型与query的数据类型需满足数据类型推导规则。用户不特意指定时可传入默认值1.0。

  • preTokens（int64_t，计算输入）：Host侧的int，用于稀疏计算，表示attention需要和前几个Token计算关联，数据类型支持INT64。用户不特意指定时可传入默认值2147483647，Q_S为1时该参数无效。

  • nextTokens（int64_t，计算输入）：Host侧的int，用于稀疏计算，表示attention需要和后几个Token计算关联。数据类型支持INT64。用户不特意指定时可传入默认值2147483647，Q_S为1时该参数无效。

  • inputLayout（char*，计算输入）：Host侧的字符指针CHAR*，用于标识输入query、key、value的数据排布格式，当前支持BSH、BSND、BNSD、BNSD_BSND(输入为BNSD时，输出格式为BSND，仅支持Q_S大于1)。用户不特意指定时可传入默认值"BSH”。

  [object Object]

  • numKeyValueHeads（int64_t，计算输入）：Host侧的int，代表key、value中head个数，用于支持GQA（Grouped-Query Attention，分组查询注意力）场景，数据类型支持INT64。用户不特意指定时可传入默认值0，表示和key/value的head个数相等，需要满足numHeads整除numKeyValueHeads，numHeads与numKeyValueHeads的比值不能大于64。在BNSD场景下，还需要与shape中的key/value的N轴shape值相同，否则执行异常。

  • sparseMode（int64_t，计算输入）：Host侧的int，表示sparse的模式。数据类型支持：INT64。Q_S为1时该参数无效。

    • sparseMode为0时，代表defaultMask模式，如果attenmask未传入则不做mask操作，忽略preTokens和nextTokens（内部赋值为INT_MAX）；如果传入，则需要传入完整的attenmask矩阵（S1 * S2），表示preTokens和nextTokens之间的部分需要计算。
    • sparseMode为1时，代表allMask，必须传入完整的attenmask矩阵（S1 * S2）。
    • sparseMode为2时，代表leftUpCausal模式的mask，需要传入优化后的attenmask矩阵（2048*2048）。
    • sparseMode为3时，代表rightDownCausal模式的mask，均对应以左顶点为划分的下三角场景，需要传入优化后的attenmask矩阵（2048*2048）。
    • sparseMode为4时，代表band模式的mask，需要传入优化后的attenmask矩阵（2048*2048）。
    • sparseMode为5、6、7、8时，分别代表prefix、global、dilated、block_local，均暂不支持。用户不特意指定时可传入默认值0。综合约束请见约束与限制。

  • innerPrecise（int64_t，计算输入）：Host侧的int，一共4种模式：0、1、2、3。一共两位bit位，第0位（bit0）表示高精度或者高性能选择，第1位（bit1）表示是否做行无效修正。数据类型支持：INT64。Q_S>1时，sparse_mode为0或1，并传入用户自定义mask的情况下，建议开启行无效；Q_S为1时该参数仅支持innerPrecise为0和1。综合约束请见约束与限制。

    • innerPrecise为0时，代表开启高精度模式，且不做行无效修正。
    • innerPrecise为1时，代表高性能模式，且不做行无效修正。
    • innerPrecise为2时，代表开启高精度模式，且做行无效修正。
    • innerPrecise为3时，代表高性能模式，且做行无效修正。
    [object Object]

  • blockSize（int64_t，计算输入）：Host侧的int64_t，PageAttention中KV存储每个block中最大的token个数，默认为0，数据类型支持INT64，Q_S大于等于2时该参数无效。

  • antiquantMode（int64，计算输入）：伪量化的方式，传入0时表示为per-channel（per-channel包含per-tensor），传入1时表示per-token。Q_S大于等于2时该参数无效，用户不特意指定时可传入默认值0，传入0和1之外的其他值会执行异常。

  • softmaxLseFlag（bool，计算输入）：是否输出softmax_lse，支持S轴外切（增加输出）。用户不特意指定时可传入默认值false。

  • keyAntiquantMode（int64，计算输入）：key 的伪量化的方式，传入0时表示为per-channel（per-channel包含per-tensor），传入1时表示per-token。Q_S大于等于2时该参数无效，用户不特意指定时可传入默认值0，传入0和1之外的其他值会执行异常。需要与valueAntiquantMode 一致

  • valueAntiquantMode（int64，计算输入）：value 的伪量化的方式，传入0时表示为per-channel（per-channel包含per-tensor），传入1时表示per-token。Q_S大于等于2时该参数无效，用户不特意指定时可传入默认值0，传入0和1之外的其他值会执行异常。需要与 keyAntiquantMode 一致

  • attentionOut（aclTensor*，计算输出）：Device侧的aclTensor，公式中的输出，数据类型支持FLOAT16、BFLOAT16、INT8。数据格式支持ND。限制：当inputLayout为BNSD_BSND时，输入query的shape是BNSD，输出shape为BSND；其余情况该入参的shape需要与入参query的shape保持一致。

  • softmaxLse（aclTensor*，计算输出）：ring attention算法对query乘key的结果，先取max得到softmax_max。query乘key的结果减去softmax_max, 再取exp，最后取sum，得到softmax_sum。最后对softmax_sum取log，再加上softmax_max得到的结果。用户不特意指定时可传入默认值nullptr。数据类型支持FLOAT32，softmaxLseFlag为True时,shape必须为[B,N,Q_S,1],数据为inf的代表无效数据；softmaxLseFlag为False时，如果softmaxLse传入的Tensor非空，则直接返回该Tensor数据，如果softmaxLse传入的是nullptr,则返回shape为{1}全0的Tensor。

  • workspaceSize（uint64_t*，计算输出）：返回用户需要在Device侧申请的workspace大小。

  • executor（aclOpExecutor**，计算输出）：返回op执行器，包含了算子计算流程。

• 返回值：

  返回aclnnStatus状态码，具体参见。

  [object Object]

aclnnFusedInferAttentionScoreV2

• 参数说明：

  • workspace（void*，入参）：在Device侧申请的workspace内存地址。
  • workspaceSize（uint64_t，入参）：在Device侧申请的workspace大小，由第一段接口aclnnFusedInferAttentionScoreGetWorkspaceSize获取。
  • executor（aclOpExecutor*，入参）：op执行器，包含了算子计算流程。
  • stream（aclrtStream，入参）：指定执行任务的AscendCL stream流。

• 返回值：

  返回aclnnStatus状态码，具体参见。

约束与限制

• 该接口与PyTorch配合使用时，需要保证CANN相关包与PyTorch相关包的版本匹配。

• 入参为空的处理：算子内部需要判断参数query是否为空，如果是空则直接返回。参数query不为空Tensor，参数key、value为空tensor（即S2为0），则填充全零的对应shape的输出(填充attention_out)。attention_out为空Tensor时，AscendCLNN框架会处理。其余在上述参数说明中标注了"可传入nullptr"的入参为空指针时，不进行处理。

• 参数key、value中对应tensor的shape需要完全一致；非连续场景下 key、value的tensorlist中的batch只能为1，个数等于query的B，N和D需要相等。

• int8量化相关入参数量与输入、输出数据格式的综合限制：

  • 输入为INT8，输出为INT8的场景：入参deqScale1、quantScale1、deqScale2、quantScale2需要同时存在，quantOffset2可选，不传时默认为0。
  • 输入为INT8，输出为FLOAT16的场景：入参deqScale1、quantScale1、deqScale2需要同时存在，若存在入参quantOffset2 或 quantScale2（即不为nullptr），则报错并返回。
  • 输入全为FLOAT16或BFLOAT16，输出为INT8的场景：入参quantScale2需存在，quantOffset2可选，不传时默认为0，若存在入参deqScale1 或 quantScale1 或 deqScale2（即不为nullptr），则报错并返回。
  • 入参 quantScale2 和 quantOffset2 支持 per-tensor/per-channel 两种格式和 FLOAT32/BFLOAT16 两种数据类型。若传入 quantOffset2 ，需保证其类型和shape信息与 quantScale2 一致。当输入为BFLOAT16时，同时支持 FLOAT32和BFLOAT16 ，否则仅支持 FLOAT32 。per-channel 格式，当输出layout为BSH时，要求 quantScale2 所有维度的乘积等于H；其他layout要求乘积等于N*D。（建议输出layout为BSH时，quantScale2 shape传入[1,1,H]或[H]；输出为BNSD时，建议传入[1,N,1,D]或[N,D]；输出为BSND时，建议传入[1,1,N,D]或[N,D]）

• antiquantScale和antiquantOffset参数约束：

  • 支持per-channel、per-tensor和per-token三种模式：

    • per-channel模式:两个参数BNSD场景下shape为(2, N, 1, D)，BSND场景下shape为(2, N, D)，BSH场景下shape为(2, H)，N为numKeyValueHeads。参数数据类型和query数据类型相同，antiquantMode置0。
    • per-tensor模式:两个参数的shape均为(2)，数据类型和query数据类型相同, antiquantMode置0。
    • per-token模式:两个参数的shape均为(2, B, S), 数据类型固定为FLOAT32, antiquantMode置1。

  • 支持对称量化和非对称量化：

    • 非对称量化模式下， antiquantScale和antiquantOffset参数需同时存在。
    • 对称量化模式下，antiquantOffset可以为空（即nullptr）；当antiquantOffset参数为空时，执行对称量化，否则执行非对称量化。

• 当Q_S大于1时：

  • query，key，value输入，功能使用限制如下：

    • 支持B轴小于等于65535，输入类型包含INT8时D轴非32对齐或输入类型为FLOAT16或BFLOAT16时D轴非16对齐时，B轴仅支持到128。
    • 支持N轴小于等于256，支持D轴小于等于512。
    • S支持小于等于20971520（20M）。部分长序列场景下，如果计算量过大可能会导致pfa算子执行超时（aicore error类型报错，errorStr为:timeout or trap error），此场景下建议做S切分处理，注：这里计算量会受B、S、N、D等的影响，值越大计算量越大。典型的会超时的长序列(即B、S、N、D的乘积较大)场景包括但不限于： (1)B=1,Q_N=20,Q_S=2097152,D = 256,KV_N=1,KV_S=2097152; (2)B=1,Q_N=2,Q_S=20971520,D = 256,KV_N=2,KV_S=20971520; (3)B=20,Q_N=1,Q_S=2097152,D = 256,KV_N=1,KV_S=2097152; (4)B=1,Q_N=10,Q_S=2097152,D = 512,KV_N=1,KV_S=2097152。
    • query、key、value或attentionOut类型包含INT8时，D轴需要32对齐；类型全为FLOAT16、BFLOAT16时，D轴需16对齐。

  • 参数sparseMode当前仅支持值为0、1、2、3、4的场景，取其它值时会报错。

    • sparseMode = 0时，attenMask如果为空指针,或者在左padding场景传入attenMask，则忽略入参preTokens、nextTokens。
    • sparseMode = 2、3、4时，attenMask的shape需要为S,S或1,S,S或1,1,S,S,其中S的值需要固定为2048，且需要用户保证传入的attenMask为下三角，不传入attenMask或者传入的shape不正确报错。
    • sparseMode = 1、2、3的场景忽略入参preTokens、nextTokens并按照相关规则赋值。

  • kvCache反量化仅支持query为FLOAT16时，将INT8类型的key和value反量化到FLOAT16。入参key/value的datarange与入参antiquantScale的datarange乘积范围在（-1，1）范围内，高性能模式可以保证精度，否则需要开启高精度模式来保证精度。

  • query左padding场景:

    • query左padding场景query的搬运起点计算公式为：Q_S - queryPaddingSize - actualSeqLengths。query的搬运终点计算公式为：Q_S - queryPaddingSize。其中query的搬运起点不能小于0，终点不能大于Q_S，否则结果将不符合预期。
    • query左padding场景kvPaddingSize小于0时将被置为0。
    • query左padding场景需要与actualSeqLengths参数一起使能，否则默认为query右padding场景。
    • query左padding场景不支持PageAttention，不能与blocktable参数一起使能。

  • kv左padding场景:

    • kv左padding场景key和value的搬运起点计算公式为：KV_S - kvPaddingSize - actualSeqLengthsKv。key和value的搬运终点计算公式为：KV_S - kvPaddingSize。其中key和value的搬运起点不能小于0，终点不能大于KV_S，否则结果将不符合预期。
    • kv左padding场景kvPaddingSize小于0时将被置为0。
    • kv左padding场景需要与actualSeqLengthsKv参数一起使能，否则默认为kv右padding场景。
    • kv左padding场景不支持PageAttention，不能与blocktable参数一起使能。

  • 入参 quantScale2 和 quantOffset2 支持 per-tensor/per-channel 两种格式和 FLOAT32/BFLOAT16 两种数据类型。若传入 quantOffset2 ，需保证其类型和shape信息与 quantScale2 一致。当输入为BFLOAT16时，同时支持 FLOAT32和BFLOAT16 ，否则仅支持 FLOAT32 。per-channel 格式，当输出layout为BSH时，要求 quantScale2 所有维度的乘积等于H；其他layout要求乘积等于N*D。（建议输出layout为BSH时，quantScale2 shape传入[1,1,H]或[H]；输出为BNSD时，建议传入[1,N,1,D]或[N,D]；输出为BSND时，建议传入[1,1,N,D]或[N,D]）

  • 输出为int8，quantScale2 和 quantOffset2 为 per-channel 时，暂不支持左padding、Ring Attention或者D非32Byte对齐的场景。

  • 输出为int8时，暂不支持sparse为band且preTokens/nextTokens为负数。

  • pseShift功能使用限制如下：

    • 支持query数据类型为FLOAT16或BFLOAT16或INT8场景下使用该功能。
    • query数据类型为FLOAT16且pseShift存在时，强制走高精度模式，对应的限制继承自高精度模式的限制。
    • Q_S需大于等于query的S长度，KV_S需大于等于key的S长度。

  • 输出为INT8，入参quantOffset2传入非空指针和非空tensor值，并且sparseMode、preTokens和nextTokens满足以下条件，矩阵会存在某几行不参与计算的情况，导致计算结果误差，该场景会拦截(解决方案：如果希望该场景不被拦截，需要在FIA接口外部做后量化操作，不在FIA接口内部使能)：

    • sparseMode = 0，attenMask如果非空指针，每个batch actualSeqLengths — actualSeqLengthsKV - preTokens > 0 或 nextTokens < 0 时，满足拦截条件
    • sparseMode = 1 或 2，不会出现满足拦截条件的情况
    • sparseMode = 3，每个batch actualSeqLengthsKV - actualSeqLengths < 0，满足拦截条件
    • sparseMode = 4，preTokens < 0 或 每个batch nextTokens + actualSeqLengthsKV - actualSeqLengths < 0 时，满足拦截条件

  • kv伪量化参数分离当前暂不支持

• 当Q_S等于1时：

  • query，key，value输入，功能使用限制如下：
    • 支持B轴小于等于65536，支持N轴小于等于256，支持D轴小于等于512。
    • query、key、value输入类型均为INT8的场景暂不支持。
  • page attention场景:
    • page attention的使能必要条件是blocktable存在且有效，同时key、value是按照blocktable中的索引在一片连续内存中排布，支持key、value dtype为FLOAT16/BFLOAT16/INT8，在该场景下key、value的inputLayout参数无效。
    • blockSize是用户自定义的参数，该参数的取值会影响page attention的性能，在使能page attention场景下，blockSize需要传入非0值, 且blocksize最大不超过512。key、value输入类型为FLOAT16/BFLOAT16时需要16对齐，key、value 输入类型为INT8时需要32对齐，推荐使用128。通常情况下，page attention可以提高吞吐量，但会带来性能上的下降。
    • page attention使能场景下，当输入kv cache排布格式为（blocknum, blocksize, H），且 numKvHeads * headDim 超过64k时，受硬件指令约束，会被拦截报错。可通过使能GQA（减小 numKvHeads）或调整kv cache排布格式为（blocknum, numKvHeads, blocksize, D）解决。
    • page attention场景的参数key、value各自对应tensor的shape所有维度相乘不能超过int32的表示范围。
  • page attention的使能场景下，以下场景输入S需要大于等于maxBlockNumPerSeq * blockSize
    • 使能 Attention mask，如 mask shape为 (B, 1, 1, S)
    • 使能 pseShift，如 pseShift shape为(B, N, 1, S)
    • 使能伪量化 per-token模式：输入参数 antiquantScale和antiquantOffset 的shape均为(2, B, S)
  • kv左padding场景:
    • kv左padding场景kvCache的搬运起点计算公式为：KV_S - kvPaddingSize - actualSeqLengths。kvCache的搬运终点计算公式为：KV_S - kvPaddingSize。其中kvCache的搬运起点或终点小于0时，返回数据结果为全0。
    • kv左padding场景kvPaddingSize小于0时将被置为0。
    • kv左padding场景需要与actualSeqLengths参数一起使能，否则默认为kv右padding场景。
    • kv左padding场景需要与attenMask参数一起使能，且需要保证attenMask含义正确，即能够正确的对无效数据进行隐藏。否则将引入精度问题。
  • pseShift功能使用限制如下：
    • pseShift数据类型需与query数据类型保持一致。
    • 仅支持D轴对齐，即D轴可以被16整除。
  • kv伪量化参数分离
    • KeyAntiquantMode 和 valueAntiquantMode需要保持一致
    • KeyAntiquanScale 和 valueAntiquantScale要么都为空，要么都不为空;KeyAntiquantOffset 和 valueAntiquantOffset要么都为空，要么都不为空
    • KeyAntiquantScale 和valueAntiquantScale都不为空时，其shape需要保持一致;KeyAntiquanOffset 和 valueAntiquantOffset都不为空时，其shape需要保持一致

算子原型

参数解释请参见算子执行接口。

调用示例

示例代码如下，仅供参考，具体编译和执行过程请参考。