FlashAttention 是一种具有 IO 感知(IO-awareness)的精确注意力算法,由 Tri Dao、Daniel Y. Fu、Stefano Ermon、Atri Rudra 与 Christopher Ré 于 2022 年在斯坦福大学期间提出,论文发表于 NeurIPS 2022。它通过 tiling(分块)与 online softmax(在线软最大化)等技术,将注意力计算的内存占用从序列长度的二次方 O(N²) 降低到线性 O(N),在不做任何近似的前提下,使运行速度较标准注意力实现提升 2~4 倍、内存占用减少 5~20 倍。与稀疏注意力、线性注意力等近似方法不同,FlashAttention 的输出与标准注意力在数学上完全一致,因此可作为即插即用的底层实现,现已成为 PyTorch、vLLM 等主流框架的默认注意力内核。
FlashAttention 的核心工作方式可以概括为"重新组织注意力计算的数据流动路径,让中间结果始终停留在 GPU 的片上高速缓存中"。标准注意力实现会先计算出完整的 N×N 注意力分数矩阵,将其写入高带宽内存(HBM),再读回做 softmax,之后再读回一次以计算加权和,整个过程对 HBM 的读写极其频繁。FlashAttention 则将 Query、Key、Value 三个矩阵切分成若干小块,逐块从 HBM 加载到片上 SRAM,在 SRAM 内完成该块的注意力计算,最后只把输出结果写回 HBM——那个庞大的 N×N 中间矩阵自始至终不会在 HBM 中出现。
要让这种分块计算得到与标准注意力完全一致的结果,FlashAttention 依赖三项关键技术的配合:tiling 负责把大矩阵拆成能装进 SRAM 的小块,online softmax 负责在只看到部分分数的情况下逐步计算出正确的 softmax,recomputation(重计算)负责在反向传播时按需重新生成中间结果而非存储它们。三者协同,使 FlashAttention 在保持精确注意力的同时,把对 HBM 的访问次数从 Θ(N²) 降低到 O(N²d²/M)(其中 d 为头维度、M 为 SRAM 大小),在 A100 上约相当于 25 倍的改进。
标准注意力机制的瓶颈并不在于算力,而在于内存带宽。现代 GPU 的计算速度早已超过内存速度,Transformer 中的大多数操作实际上被内存访问所阻塞。FlashAttention 通过让算法具备 IO 感知能力,显式考虑显存层级之间的读写开销,把注意力计算重新编排为对 HBM 友好的形式,从根本上缓解了长上下文训练与推理的内存压力。
以 A100 GPU 为例,片上 SRAM 的带宽约为 19 TB/s,而片外 HBM 的带宽仅约 2 TB/s,两者相差近一个数量级。标准注意力在序列长度为 8192、注意力头数为 32 的场景下,仅注意力矩阵本身就需要约 8.6 GB 的存储,且这些数据需要在 HBM 中反复读写多次。原始论文的基准测试显示,在相同工作负载下,FlashAttention 将 HBM 的读写量从 35.3 GB 降至 4.4 GB,运行时间从 35.1 ms 降至 11.7 ms。这种优化在长序列场景下收益尤为显著,因为标准注意力的内存开销随序列长度呈二次增长。
FlashAttention 将内存复杂度从二次方降到线性的根本原因,在于它彻底避免了在 HBM 中构造完整的 N×N 注意力矩阵。通过 tiling 将计算拆解为逐块进行,每个时刻 SRAM 中只需保存常数数量的块,这些块的总大小与序列长度呈线性关系。原始论文报告,在序列长度为 2K 时内存节省约 10 倍,在 4K 时约 20 倍,且这种节省比例随序列长度增加而持续扩大。正因如此,标准注意力在 A100 上约在 4K 序列长度时耗尽显存,而 FlashAttention 可扩展至 64K 甚至更长。
IO 感知是 FlashAttention 论文的核心设计哲学,指算法在设计时就显式考虑 GPU 显存层级之间的数据传输开销,而不是只优化计算量(FLOPs)。这一设计理念使 FlashAttention 在不减少计算量的前提下,通过优化数据搬运路径实现了显著的 wall-clock 加速。
在 FlashAttention 出现之前,许多近似注意力方法专注于减少 FLOP 数量,但 FLOP 的减少与实际的 wall-clock 加速之间并无必然联系——当读写数据占据运行时间的主要部分时,减少计算量对提速几乎无帮助。FlashAttention 的 IO 感知设计以最小化 HBM 与 SRAM 之间的数据传输量为优化目标,通过 tiling 让数据一旦加载到 SRAM 就尽可能完成全部相关计算,避免中间结果在层级间反复搬运。
论文还从理论上证明了一个重要结论:在所有 SRAM 大小的设定下,没有任何精确注意力算法能在 HBM 访问次数上渐近地优于 FlashAttention 的实现。FlashAttention 将 HBM 访问量从 Θ(N²) 降低到 O(N²d²/M)(其中 d 为头维度、M 为 SRAM 大小),在 A100 上、头维度 d=64 的条件下,改进因子约为 M/d²,大致相当于 25 倍。这意味着 FlashAttention 不仅在工程实践中表现优异,在理论层面也已触及精确注意力算法的 IO 效率天花板。
FlashAttention 的设计建立在对 GPU 非对称存储层级的深刻理解之上。现代 GPU 拥有两级主要存储:片上 SRAM 容量小(A100 约为 20 MB)但速度极快,片外 HBM 容量大(A100 约为 80 GB)但速度慢得多。这种容量与速度之间的巨大落差,正是 FlashAttention 加以利用的结构性特征。
具体而言,FlashAttention 将 Query、Key、Value 矩阵切分为能装进 SRAM 的小块(tile),每个 tile 从 HBM 加载到 SRAM 后,在该块上完成点积、缩放、softmax 等全部计算,只有最终输出才写回 HBM。这种做法使得 HBM 的读写次数与序列长度的关系从二次方降为线性。论文的量化分析表明,在 A100 上、头维度 d=64 的条件下,HBM 访问量的改进因子约为 M/d²(M 为 SRAM 大小),大致相当于 25 倍。正是这种对存储层级的精细利用,使 FlashAttention 能够在不增加计算量的前提下,大幅缩短实际运行时间。
Tiling 是 FlashAttention 实现内存高效计算的基础手段,其本质是将无法整体装入 SRAM 的大矩阵,切分成若干能装进 SRAM 的小块,逐块处理。在注意力计算中,FlashAttention 将 Query 矩阵按行切分为大小为 B_r×d 的块,将 Key 和 Value 矩阵按行切分为大小为 B_c×d 的块(其中 B_r、B_c 为块大小,d 为头维度,典型取值为 64~128)。
计算过程中,FlashAttention 对每个 Query 块只做一次加载,然后遍历所有对应的 Key 和 Value 块,逐块计算部分注意力结果,并通过 online softmax 将这些部分结果累积起来。每个 tile 在 SRAM 中完成从分数计算、softmax 到与 Value 相乘的全部操作,中间结果无需写回 HBM。这种分块策略不仅适用于前向传播,也被 FlashAttention 的反向传播所采用——反向传播同样以分块方式重新计算注意力矩阵,从而避免存储完整的前向中间结果。Tiling 与 online softmax 的结合,是 FlashAttention 能够在有限 SRAM 中完成精确注意力计算的关键所在。
Online softmax 是 FlashAttention 能够分块计算精确 softmax 的数学基础。标准 softmax 需要两趟扫描:第一趟找到整行的最大值以保证数值稳定性,第二趟计算指数并归一化。这种两趟扫描要求一次性看到整行数据,与 tiling 的分块处理方式天然矛盾。
Online softmax 通过维护"运行最大值"和"运行指数和"两个统计量,实现了单趟流式计算。处理第一个块时,计算该块的局部最大值 m₁ 和局部指数和 l₁;处理第二个块时,更新全局最大值 m=max(m₁,m₂),并据此对之前的部分结果进行重缩放(rescale),同时累加新块的指数值;如此逐块推进,直到处理完全部块。最终的输出结果与一次性计算完整 softmax 在数学上完全等价,只是计算顺序不同。这一技巧使得 FlashAttention 无需在内存中构造完整的 N×N 注意力矩阵,就能得到精确的注意力输出,是整个算法能够成立的核心数学工具。
重计算是 FlashAttention 在反向传播阶段采用的一种"以计算换内存"的策略。在标准训练流程中,前向传播计算出的注意力矩阵会被保存下来,供反向传播计算梯度时使用。然而,这个 N×N 矩阵正是内存开销的主要来源。
FlashAttention 采取了截然不同的做法:前向传播完成后,直接丢弃中间的注意力矩阵,只保留输出 O 和用于归一化的 logsumexp 统计量 L。反向传播时,不再从内存中读取注意力矩阵,而是利用保存的 Q、K、V 和 L,按 tiling 方式在 SRAM 中重新计算所需的注意力值。从 FLOP 计数上看,这确实增加了计算量(注意力计算被执行了两次),但由于 GPU 的计算单元在标准注意力实现中本就大量处于空闲等待内存的状态,用额外的计算换取内存访问的大幅减少,在 wall-clock 时间上仍然是净收益。这种"多做计算、少搬数据"的权衡,是 FlashAttention 在训练场景中取得加速的重要设计选择。
FlashAttention 将内存复杂度从二次方降到线性的根本原因,在于它彻底避免了在 HBM 中构造完整的 N×N 注意力矩阵。标准注意力的内存瓶颈正是这个中间矩阵——序列长度为 N 时,注意力分数矩阵包含 N² 个元素,内存需求随序列长度呈二次增长。
FlashAttention 通过 tiling 将计算拆解为逐块进行,每个时刻 SRAM 中只需保存常数数量的块(Query 块、当前 Key/Value 块、累积输出等),这些块的总大小与序列长度呈线性关系。完整的 N×N 矩阵自始至终未被构造。原始论文报告,在序列长度为 2K 时内存节省约 10 倍,在 4K 时约 20 倍,且这种节省比例随序列长度增加而持续扩大。正因如此,FlashAttention 能够将可处理的序列长度扩展到远超标准注意力所能承受的范围——标准注意力在 A100 上约在 4K 序列长度时耗尽显存,而 FlashAttention 可扩展至 64K 甚至更长。
FlashAttention 与稀疏注意力、线性注意力等方法的根本区别在于:它不改变注意力的数学定义,只改变计算的组织方式。标准注意力的计算流程为 S=QKᵀ/√dₖ、P=softmax(S)、O=PV,FlashAttention 计算的正是同一个数学表达式,得到的输出 O 与标准实现在浮点精度范围内完全一致。
这种"精确性"是 FlashAttention 得以迅速普及的关键因素。在 FlashAttention 之前,研究者提出了多种近似注意力方法(稀疏近似、低秩近似、核方法线性化等),但这些方法在减少计算量的同时,往往对模型质量产生难以预测的影响,且并未带来显著的 wall-clock 加速。FlashAttention 则完全不涉及质量权衡——它是一个纯粹的工程优化,输出与标准注意力逐比特一致(仅存在正常的浮点舍入差异),因此可以作为即插即用的替换方案,无需重新训练、无需调整超参数、无需担心精度损失。论文还从理论上证明,在 HBM 访问次数这一指标上,FlashAttention 已达到精确注意力算法的渐近最优。
FlashAttention 自 2022 年首次提出以来,经历了四个主要版本的迭代,每个版本都针对新一代 GPU 架构的特性进行了深度优化,从 A100(Ampere)到 H100(Hopper)再到 B200(Blackwell),利用率逐步提升。
FlashAttention(2022,NeurIPS 2022)由 Tri Dao 等人在斯坦福大学提出,首次引入 IO 感知的分块精确注意力,在 A100 上实现 2~4 倍加速与 5~20 倍内存节省,计算利用率约为理论峰值的 25~40%。FlashAttention-2(2023 年 7 月,arXiv:2307.08691)由 Tri Dao 在普林斯顿大学期间提出,针对初版在 GPU 线程块与 warp 之间工作分配不均的问题进行优化,通过减少非矩阵乘法 FLOP、跨线程块并行化、优化 warp 间工作分配三项改进,在 A100 上将利用率提升至 50~73%,端到端 GPT 训练速度达到每卡 225 TFLOPs/s(72% 模型 FLOPs 利用率),较初版提升约 2 倍。
FlashAttention-3(2024 年 7 月,arXiv:2407.08608,NeurIPS 2024)由 Jay Shah、Ganesh Bikshandi(Colfax Research)与 Tri Dao 等人合作,专为 NVIDIA Hopper 架构(H100)设计。它利用 Hopper 的 WGMMA 指令、Tensor Memory Accelerator(TMA)与 FP8 支持,通过 warp 专门化实现计算与数据搬运的异步重叠,在 H100 上 FP16 前向达到约 740 TFLOPs/s(约 75% 利用率),FP8 模式接近 1.2 PFLOPs/s,较 FlashAttention-2 提升 1.5~2.0 倍。FlashAttention-4(2026 年 3 月正式发布,MLSys 2026)由 Zadouri、Shah、Hohnerbach、Liu、Thakkar 与 Dao 等人开发,面向 NVIDIA Blackwell 架构(B200)。该版本应对的核心挑战是 Blackwell 上硬件资源的非对称扩展——从 H100 到 B200,BF16 Tensor Core 吞吐量从 1 PFLOPs 增至 2.25 PFLOPs,而负责指数运算的特殊功能单元(SFU)与共享内存带宽几乎未变。FlashAttention-4 通过乒乓调度(ping-pong scheduling)、基于多项式近似的软件指数模拟、条件式 softmax 重缩放等创新,在 B200 上 BF16 前向达到约 1605 TFLOPs/s(71% 利用率),较 cuDNN 9.13 快 1.3 倍、较 Triton 快 2.7 倍。该版本采用 CuTe-DSL 编写,PyTorch 的 FlexAttention 已支持将其作为后端。
FlashAttention 对计算精度的支持随版本演进而逐步扩展,从初版的 FP16/BF16 到 FlashAttention-3 引入的 FP8,覆盖了大模型训练与推理中的主要精度需求。
初版 FlashAttention 在 2022 年发布时支持 FP16(半精度浮点),随后很快增加了对 BF16(bfloat16)的支持。BF16 具有与 FP32 相同的指数位宽(8 位),动态范围更大,在训练中不易出现数值溢出,已成为大模型训练中最常用的低精度格式。在 A100 等 Ampere 架构上,FlashAttention-2 在 FP16 与 BF16 模式下均能达到理论峰值的 50~73%。BF16 与 FP16 的主要区别在于尾数位宽——BF16 尾数仅 7 位(FP16 为 10 位),精度较低但范围更广,适合对动态范围敏感的训练场景。
FlashAttention-3 是精度支持的重要里程碑,它首次引入了 FP8(8 位浮点)计算支持。FP8 将 Tensor Core 的吞吐量翻倍,但数值精度也随之下降。为控制 FP8 的量化误差,FlashAttention-3 采用了分块量化(block quantization)与非相干处理(incoherent processing)两项技术——后者通过 Hadamard 变换将异常值分散,使 FP8 模式下的数值误差较基线 FP8 实现降低约 2.6 倍。在 H100 上,FP8 模式的注意力吞吐量接近 1.2 PFLOPs/s。FlashAttention-4 延续了对 FP8 的支持,并继承了 incoherent processing 等数值稳定性优化。需要注意的是,FP8 支持需要 Hopper(H100)及更新架构,A100 等 Ampere 架构仅支持 FP16 与 BF16。
FlashAttention 在大模型训练中的加速效果已通过内核基准测试与端到端训练实验得到多维度验证,从初版的 2~4 倍加速到最新版本在 Blackwell 上接近理论峰值的表现,加速幅度随版本迭代持续提升。
在内核层面,原始 FlashAttention 较 PyTorch 标准注意力实现快 2~4 倍;FlashAttention-2 在 A100 上将注意力前向的利用率提升至理论峰值的 50~73%,端到端 GPT 风格模型训练达到每卡 225 TFLOPs/s(72% 模型 FLOPs 利用率);FlashAttention-3 在 H100 上 FP16 前向达到约 740 TFLOPs/s,较 FlashAttention-2 提升 1.5~2.0 倍;FlashAttention-4 在 B200 上达到约 1605 TFLOPs/s。这些数据表明,FlashAttention 的优化效果随 GPU 架构演进持续增强,每一代新硬件都能通过对应的 FlashAttention 版本获得更高的利用率。
在端到端训练效果上,原始论文报告 FlashAttention 在 GPT-2 训练(序列长度 1024)中实现了 3 倍 wall-clock 加速,同时在相同训练预算下将困惑度(perplexity)改善了 0.7 个点——这一质量提升并非来自模型结构变化,而是因为更快的训练速度允许在相同时间内执行更多迭代。在长文档分类基准上,FlashAttention 带来了 6.4 个点的提升。在实际生产环境中,FlashAttention 的训练加速能力通常通过一站式大模型训推平台落地。以腾讯云大模型训推平台 TI-ONE为例,其训练工坊基于腾讯自研的 Angel 框架提供分布式训练加速,配合多机多卡任务式建模与多层容错机制,将 FlashAttention 等底层内核优化转化为面向 AI 工程师的完整训练工作流,覆盖从数据准备、模型训练到模型评测的全流程。
FlashAttention 对长上下文能力的支撑作用体现在它消除了标准注意力在内存上的二次方壁垒,使数十万乃至百万 token 级别的上下文训练与推理成为可能。
在标准注意力实现下,序列长度为 4096 时注意力矩阵包含约 1670 万个元素,128000 时则达到约 164 亿个——远超 A100 的 80 GB HBM 容量。在 2020 至 2022 年间,这一二次方壁垒将上下文窗口限制在数千个 token 以内。FlashAttention 将内存占用从 O(N²) 降至 O(N),从根本上移除了这一障碍。原始论文的基准测试显示,标准注意力在 A100 上约在序列长度 4K 时耗尽显存,而 FlashAttention 可扩展至 64K。这使得 GPT-4(32K 上下文)、MPT(65K 上下文)、Claude(100K 上下文)等长上下文模型的训练成为可能。2026 年的工程评估进一步指出,32K、128K 乃至百万 token 级别的长上下文训练,在缺乏 FlashAttention 或其近似变体的情况下几乎不可实现。
FlashAttention 是长上下文的必要条件,但不是充分条件。它移除了注意力矩阵的二次方内存壁垒,但 KV Cache 随上下文长度线性增长的内存需求仍需 PagedAttention 等其他技术配合解决。在推理侧,长上下文场景对首字延迟与吞吐量的要求尤为严苛,腾讯云 TI-ONE 平台的自研 TACO 推理加速引擎针对长文本高并发场景进行了专门优化,结合 PD 分离部署(独立 Prefill/Decode 角色)与 FlashAttention 内核的协同调度,在长文本场景下实现吞吐量提升与首字延迟降低,为大规模长上下文推理服务提供了从内核优化到平台调度的一体化支撑。
FlashAttention 在 BF16 等低精度训练场景中存在一个长期未被解释的数值稳定性问题,表现为训练过程中 loss 突然爆炸至无穷大,这一问题在多个开源项目中被反复报告,直到 2026 年才获得机制性解释。
使用 FlashAttention 与 BF16 训练 GPT-2 时,训练初期正常收敛,但在数千步之后 loss 会突然爆炸至无穷大。这一问题在 nanoGPT(Issue #303)等多个开源项目中反复被报告,持续两年以上未能得到机制性解释,开发者只能依赖 QK 归一化、QK 裁剪等经验性补丁来维持训练。该现象具有可复现性——在相同数据顺序下,使用标准注意力或将关键计算提高到 FP32 均可避免 loss 爆炸,说明问题与 FlashAttention 在 BF16 精度下的特定数值行为直接相关。
2026 年,清华大学研究者在 ICLR 2026 发表论文,首次给出了从数值误差到 loss 爆炸的完整机制链。研究发现,问题的根源并非 FlashAttention 的 tiling 机制,而是 safe softmax 计算与 BF16 舍入误差的交互:当注意力分数矩阵的一行中出现多个相同最大值时,注意力概率会精确等于 1.0,此时 BF16 的"round-to-nearest, ties-to-even"舍入规则在累加大量负数时会产生系统性方向偏置,而非通常假设的零均值噪声。这种偏置与注意力机制中涌现的相似低秩结构相互作用,形成误差累积的恶性循环,最终导致权重谱范数异常增长、训练崩溃。基于这一机制分析,研究者提出了 Stabilized Flash Attention(SFA):当前向传播检测到一行中存在多个相同最大值时,动态调整 safe softmax 的行移位常数,使注意力概率严格小于 1.0,从而打破误差累积循环。该修复几乎零开销,在 GPT-2 Small 上以 AdamW 与 Muon 两种优化器均稳定训练至 60 万步,且在 A100、RTX 4090、Ascend 910B 等多种硬件上表现一致。
FlashAttention 已被集成到几乎所有主流深度学习框架与推理引擎中,成为事实上的默认注意力实现。用户在大多数场景下无需手动配置即可享受 FlashAttention 的加速效果。
在 PyTorch 中,自 2.0 版本起,torch.nn.functional.scaled_dot_product_attention 会在兼容硬件上自动选择 FlashAttention-2 内核;自 2.11.0 版本(2026 年 3 月)起,PyTorch 进一步引入了可插拔的 FlashAttention 注册机制,内置 FA3 与 FA4 条目,支持用户按需激活不同版本。Hugging Face Transformers 库允许用户通过 attn_implementation 参数指定使用 flash_attention_2 或 sdpa 后端。在训练框架层面,DeepSpeed、Megatron-LM 等分布式训练框架也已集成 FlashAttention。这种广泛的框架集成,是 FlashAttention 从学术论文迅速转化为行业基础设施的关键推动力。
在推理框架层面,vLLM 维护着自己的 vllm_flash_attn 分支,并按 GPU 架构自动选择版本;SGLang 同样默认使用 FlashAttention。llama.cpp 在 CPU、Metal、CUDA、ROCm 与 Vulkan 后端上均提供了 FlashAttention 支持;Ollama 通过环境变量 OLLAMA_FLASH_ATTENTION=1 启用。这些推理引擎的默认集成意味着用户在部署大模型推理服务时,通常无需额外配置即可享受 FlashAttention 的加速效果,大幅降低了技术采用门槛。
在 PyTorch 中启用 FlashAttention 的最简方式是直接调用 torch.nn.functional.scaled_dot_product_attention(q, k, v)。PyTorch 2.0 及以上版本在兼容硬件(NVIDIA A100、H100、RTX 40 系列等计算能力 8.0+ 的 GPU)上会自动选择 FlashAttention-2 内核,无需任何额外配置。
若需强制使用 FlashAttention 后端以排除回退可能,可使用上下文管理器显式指定:
也可通过全局开关控制:torch.backends.cuda.enable_flash_sdp(True) 启用、enable_flash_sdp(False) 禁用。若需确认实际使用了哪个内核,可调用 torch.backends.cuda.flash_sdp_enabled() 进行检查。
FlashAttention 内核要求输入为 FP16 或 BF16,且不支持任意自定义注意力掩码(如 ALiBi 需要特殊变体或使用 FlexAttention)。当序列长度、数据类型或掩码类型不满足条件时,SDPA 会静默回退到标准实现,不报错但也不会获得加速。此外,若设置了 torch.set_float32_matmul_precision('high'),可能因精度不匹配导致 FlashAttention 被跳过。对于需要自定义注意力模式(如 ALiBi、块稀疏)的场景,PyTorch 提供了 FlexAttention 接口,允许用户通过 score_mod 或 mask_mod 函数定义自定义行为,同时仍能获得融合内核的加速效果。
vLLM 等主流推理框架采用按 GPU 计算能力自动选择 FlashAttention 版本的策略,以确保每种硬件都能使用其所能支持的最优内核。
以 vLLM v0.28.0(2026 年 8 月)为例,其注意力后端选择逻辑为:在 SM90(Hopper,如 H100)上选择 FlashAttention-3,在 SM100(Blackwell,如 B200)上选择 FlashAttention-4,在其他架构上回退到 FlashAttention-2。当尝试在不兼容的架构上使用不支持的版本时,框架会明确报错,例如在 Blackwell 平台上使用 FA3 时会提示"Cannot use FA version 3 on Blackwell platform"。PyTorch 自 2.11.0 起也采用了类似的可插拔注册机制,内置 FA3 与 FA4 条目。对于用户而言,现代推理框架通常无需手动干预版本选择——框架会根据检测到的 GPU 架构自动调度到对应的 FlashAttention 实现。
这种按架构选版的策略源于 FlashAttention 各版本对硬件的强绑定关系。FlashAttention-3 专为 Hopper 的 WGMMA 与 TMA 指令设计,无法在 Ampere(A100)或 Blackwell(B200)上运行;FlashAttention-4 则利用 Blackwell 的全异步 MMA 与 Tensor Memory(TMEM),在 Hopper 与 Blackwell 上均可运行但主要针对后者优化。FlashAttention-2 作为最通用的版本,可在 Ampere、Ada、Hopper 等多种架构上运行,但无法充分利用 Hopper 与 Blackwell 的新硬件特性。运行与硬件不匹配的版本会导致性能损失——例如在 H100 上使用 FA2 仅能达到约 35% 的利用率,而 FA3 可达到约 75%。
FlashAttention 与 KV Cache 优化是解决大模型推理性能问题的两个互补方向,它们针对的是推理过程中不同阶段的瓶颈,在实际系统中协同工作。
FlashAttention 优化的是注意力计算本身的数据搬运效率,主要加速 prefill(对完整提示词的一次性处理)阶段——此时需要处理大量 token,注意力矩阵规模大,FlashAttention 的收益显著。KV Cache 则解决的是自回归解码阶段的另一个问题:在逐 token 生成过程中,已处理 token 的 Key 和 Value 向量不会改变,因此被缓存起来供后续步骤复用,避免重复计算。然而,KV Cache 随上下文长度和并发请求数线性增长,成为推理显存的主要消耗者。对于短提示词的逐 token 生成,推理瓶颈主要在于读取模型权重与 KV Cache,此时 FlashAttention 的收益有限。
PagedAttention(由 vLLM 团队于 2023 年提出)解决的是 KV Cache 的内存管理问题——它借鉴操作系统的虚拟内存分页机制,将 KV Cache 划分为固定大小的块进行非连续存储,从而消除内存碎片、支持跨请求的 KV Cache 共享,显著提高显存利用率与并发能力。FlashAttention 并不缩小 KV Cache 的内存占用,这是 PagedAttention 所解决的问题。在实际的大模型推理系统中,FlashAttention 与 PagedAttention 通常协同工作:FlashAttention 负责 prefill 阶段的注意力计算加速,PagedAttention 负责decode 阶段的 KV Cache 高效管理。大多数推理引擎(如 vLLM、SGLang)同时使用两者,以覆盖推理全流程的性能需求。
FlashAttention 完全适用于多模态与视觉模型,且已在视觉理解、图像生成与多模态大模型等多个领域得到广泛应用。
在视觉领域,Vision Transformer(ViT)及其变体(如 Swin Transformer、DETR)均以自注意力为核心组件,FlashAttention 可直接加速其注意力计算,尤其在高分辨率图像理解场景下——图像 token 数量随分辨率二次增长,FlashAttention 的内存优势尤为突出。原始 FlashAttention 论文即在 Long Range Arena 基准(序列长度 1024~4096)上验证了 2.4 倍加速,该基准涵盖图像、文本等多种模态的任务。需要注意的是,FlashAttention 默认支持标准的缩放点积注意力与因果掩码,对于非标准的注意力模式(如某些视觉模型中的窗口注意力、块稀疏注意力),可能需要使用 FlexAttention 等更灵活的接口,或依赖特定变体实现。
在多模态领域,FlashAttention 的适用性体现在视觉-语言模型(VLM)的注意力计算中。这类模型需要同时处理图像 token 与文本 token,序列长度往往远超纯文本场景,FlashAttention 的长上下文能力使其成为这类模型训练与推理的重要支撑。在图像生成领域,基于 Diffusion Transformer(DiT)架构的模型(如 Stable Diffusion 3、FLUX.1)同样使用注意力机制,FlashAttention 可加速其去噪过程中的注意力计算。腾讯云 TI-ONE 平台的 TACO 推理加速引擎已覆盖 LLM、VLM 与 DiT 三类模型的推理加速,体现了 FlashAttention 在多模态场景中的实际落地价值。
FlashAttention 与标准 Softmax 注意力在计算复杂度(FLOP 计数)上完全相同,两者均为 O(N²d)——每个 token 仍需与所有其他 token 计算注意力分数,这一计算量并未减少。FlashAttention 的优化不在于减少计算量,而在于减少内存访问量。
从纯计算量角度看,FlashAttention 与标准注意力执行完全相同的数学运算:QKᵀ 的矩阵乘法、softmax 的指数与归一化、与 V 的矩阵乘法,FLOP 计数均为 O(N²d)。这意味着 FlashAttention 并未降低注意力的渐近计算复杂度——对于超长序列,O(N²) 的计算量增长仍是制约因素。FlashAttention 的加速来自对计算组织方式的优化,而非对计算本身的削减。正因如此,FlashAttention 被归类为"工程优化"而非"算法近似"。
两者的核心差异在于内存复杂度与 HBM 访问量。标准注意力需要对 N×N 的注意力矩阵进行多次 HBM 读写,HBM 访问量为 Θ(N²);FlashAttention 通过 tiling 与 online softmax,将 HBM 访问量降至 O(N²d²/M)(d 为头维度、M 为 SRAM 大小),在 A100 上约相当于 25 倍的改进。在内存占用上,标准注意力需要 O(N²) 空间存储注意力矩阵,FlashAttention 仅需 O(N) 空间。因此,两者的差异可概括为:计算复杂度相同(均为二次方),内存复杂度不同(标准为二次方、FlashAttention 为线性),实际运行时间差异来自内存带宽瓶颈而非计算瓶颈。
FlashAttention 与稀疏注意力的根本区别在于对注意力矩阵的处理方式:FlashAttention 计算完整的精确注意力(所有 token 对之间的注意力均被计算,仅受因果掩码约束),而稀疏注意力通过预定义的稀疏模式(如滑动窗口、局部注意力、全局 token、随机连接等)只计算注意力矩阵中的一部分元素,从而将计算复杂度从 O(N²) 降至 O(N·k)(k 为每个 token 的连接数)或更低。
在精确性上,FlashAttention 的输出与标准注意力完全一致,而稀疏注意力是一种近似方法——它假设远距离 token 之间的注意力权重可以忽略,这在某些任务中成立,但在需要全局依赖的任务中可能损失质量。在历史脉络上,稀疏注意力方法(如 Longformer、BigBird、Reformer)多在 2020 年前后提出,是 FlashAttention 之前解决长序列问题的主要思路,但由于近似带来的质量不确定性与实现复杂度,大规模训练中并未被广泛采用。FlashAttention 的出现改变了这一格局——它以精确计算的方式解决了长序列的内存瓶颈,使得稀疏近似在多数场景下不再必要。不过,在超长序列(如百万 token 级别)场景下,即使内存不再是瓶颈,O(N²) 的计算量仍可能成为制约,此时稀疏注意力或其与 FlashAttention 的混合方案仍有其价值。
FlashAttention 与线性注意力的区别体现在计算复杂度与数学性质两个层面。在计算复杂度上,FlashAttention 仍为 O(N²)(每个 token 与所有 token 计算注意力),而线性注意力通过核方法(kernel method)将 softmax(QKᵀ)V 重构为 (φ(Q)(φ(K)ᵀV)) 的形式(φ 为特征映射),使计算复杂度降至 O(N·d²),在序列长度远大于头维度时具有渐近优势。
在数学性质上,这一差异更为根本:FlashAttention 计算的是精确的 softmax 注意力,输出与标准注意力完全一致;线性注意力则用不同的核函数替代了 softmax,改变了注意力的数学定义,是一种近似方法。线性注意力的近似质量取决于特征映射 φ 的选择——Performer 使用随机特征近似 softmax 核,Linformer 则将 Key 和 Value 投影到固定维度。在实践中,线性注意力在特定任务上可以接近标准注意力的质量,但并不具有普适性,尤其在需要精确全局依赖的场景下可能出现性能下降。从实际影响看,FlashAttention 通过工程优化在不改变数学定义的前提下解决了内存瓶颈,成为大模型训练的事实标准;线性注意力则在理论上有更低的渐近复杂度,但在大规模训练中采用较少,更多作为特定架构(如某些高效 Transformer 变体)的组件出现。
FlashAttention 与 PagedAttention 是解决大模型推理中不同瓶颈的两项互补技术,它们不构成竞争关系,而是在实际系统中协同工作。
FlashAttention 优化的是注意力计算本身的内存访问效率——它通过 tiling 避免在 HBM 中构造完整的注意力矩阵,加速 prefill 阶段(对完整提示词的处理)的注意力计算。PagedAttention 由 vLLM 团队于 2023 年提出,解决的是 KV Cache 的内存管理问题——它借鉴操作系统的虚拟内存分页机制,将 KV Cache 划分为固定大小的块(block)进行非连续存储,从而消除内存碎片、支持跨请求的 KV Cache 共享,显著提高显存利用率与并发能力。两者的核心区别可从三个维度概括:在优化对象上,FlashAttention 针对注意力计算的数据搬运,PagedAttention 针对 KV Cache 的存储分配;在作用阶段上,FlashAttention 主要加速 prefill,PagedAttention 主要优化 decode 阶段的 KV Cache 管理;在技术性质上,FlashAttention 是算法层面的计算重组(不改变注意力数学定义),PagedAttention 是系统层面的内存管理创新(不改变注意力计算本身)。
在实际部署中,主流推理引擎(如 vLLM、SGLang)同时使用两项技术:FlashAttention 负责 prefill 阶段的注意力计算加速,PagedAttention 负责 decode 阶段的 KV Cache 高效管理,两者共同覆盖推理全流程的性能需求。对于短提示词的逐 token 生成,推理瓶颈主要在于读取模型权重与 KV Cache,此时 FlashAttention 的收益有限,PagedAttention 的作用更为关键。对于长提示词的 prefill 阶段,FlashAttention 的加速效果显著,而 PagedAttention 在此阶段的作用相对次要。两者的协同使推理系统能够在不同工作负载下均保持高效运行。