FlexAttention：兼具 PyTorch 的灵活性与 FlashAttention 的性能

作者：PyTorch 团队：Driss Guessous, Yanbo Liang, Joy Dong, Horace He

理论上，“Attention is All You Need”。但在实践中，我们还需要像 FlashAttention 这样经过优化的注意力实现。

尽管这些融合的注意力实现显著提升了性能并支持长上下文，但这种效率是以牺牲灵活性为代价的。你无法再通过编写几个 PyTorch 算子来尝试新的注意力变体——通常你需要编写一个新的自定义核函数！这对于机器学习研究人员来说就像是一种“软件彩票”——如果你的注意力变体不适合现有的优化核函数，你就会面临缓慢的运行时和 CUDA 内存不足（OOM）的问题。

例如注意力变体有：因果注意力（Causal）、相对位置编码（Relative Positional Embeddings）、ALiBi、滑动窗口注意力（Sliding Window Attention）、PrefixLM、文档掩码/样本打包/不规则张量（Document Masking/Sample Packing/Jagged Tensors）、Tanh 软限幅（Tanh Soft-Capping）、分页注意力（PagedAttention）等。更糟糕的是，人们通常想要这些变体的组合！例如，滑动窗口注意力 + 文档掩码 + 因果注意力 + 上下文并行？或者分页注意力 + 滑动窗口 + Tanh 软限幅怎么样？

下图左侧的图片（原文中可能包含）展示了目前的现状——一些掩码 + 偏置 + 设置的组合已有现成的核函数实现。但各种选项导致设置数量呈指数级增长，因此总体支持非常零星。更糟糕的是，研究人员提出的新注意力变体将完全没有支持。

为了一劳永逸地解决这个超立方体问题，我们引入了 FlexAttention，这是一个新的 PyTorch API。

1. 我们提供了一个灵活的 API，只需几行地道的 PyTorch 代码即可实现许多注意力变体（包括目前博文中提到的所有变体）。
2. 我们通过 torch.compile 将其编译为一个融合的 FlashAttention 核函数，生成一个不占用额外内存且性能可与手写核函数媲美的 FlashAttention 核函数。
3. 我们还利用 PyTorch 的 autograd 机制自动生成反向传播。
4. 最后，我们还可以利用注意力掩码中的稀疏性，从而比标准注意力实现获得显著提升。

有了 FlexAttention，我们希望尝试新的注意力变体只受限于你的想象力。

你可以在 Attention Gym 找到许多 FlexAttention 示例：https://github.com/pytorch-labs/attention-gym。如果你有任何很酷的应用，欢迎提交示例！

PS：我们还发现这个 API 非常令人兴奋，因为它以一种有趣的方式利用了许多现有的 PyTorch 基础设施——更多内容将在最后介绍。

FlexAttention

以下是经典的注意力公式

代码形式如下

Q, K, V: Tensor[batch_size, num_heads, sequence_length, head_dim]
score: Tensor[batch_size, num_heads, sequence_length, sequence_length] = (Q @ K) / sqrt(head_dim)
probabilities = softmax(score, dim=-1)
output: Tensor[batch_size, num_heads, sequence_length, head_dim] = probabilities @ V

FlexAttention 允许使用用户自定义函数 score_mod:

代码形式如下

Q, K, V: Tensor[batch_size, num_heads, sequence_length, head_dim]
score: Tensor[batch_size, num_heads, sequence_length, sequence_length] = (Q @ K) / sqrt(head_dim)
modified_scores: Tensor[batch_size, num_heads, sequence_length, sequence_length] = score_mod(score)
probabilities = softmax(modified_scores, dim=-1)
output: Tensor[batch_size, num_heads, sequence_length, head_dim] = probabilities @ V

此函数允许你在 softmax 计算之前 *修改* 注意力分数。令人惊讶的是，这足以实现绝大多数注意力变体（示例如下）！

具体来说，score_mod 的预期函数签名有些特别。

def score_mod(score: f32[], b: i32[], h: i32[], q_idx: i32[], kv_idx: i32[])
    return score # noop - standard attention

换句话说，score 是一个标量 PyTorch 张量，表示查询 token 和键 token 的点积。其余参数告诉你当前正在计算 *哪个* 点积——b（当前批次元素）、h（当前注意力头）、q_idx（查询中的位置）、kv_idx（键/值张量中的位置）。

要应用此函数，可以将其实现为

for b in range(batch_size):
    for h in range(num_heads):
        for q_idx in range(sequence_length):
            for kv_idx in range(sequence_length):
                modified_scores[b, h, q_idx, kv_idx] = score_mod(scores[b, h, q_idx, kv_idx], b, h, q_idx, kv_idx)

当然，这并非 FlexAttention 的底层实现方式。通过利用 torch.compile，我们自动将你的函数编译成单个*融合*的 FlexAttention 核函数——保证有效，否则退款！

这个 API 最终出人意料地具有表现力。让我们看一些示例。

score_mod 示例

完全注意力

首先来看“完全注意力”，即标准的双向注意力。在这种情况下，score_mod 是一个无操作函数——它接收分数作为输入，然后原样返回。

def noop(score, b, h, q_idx, kv_idx):
    return score

及其端到端（包括前向 *和* 反向）使用方法

from torch.nn.attention.flex_attention import flex_attention

flex_attention(query, key, value, score_mod=noop).sum().backward()

相对位置编码

一种常见的注意力变体是“相对位置编码”。相对位置编码不编码绝对距离，而是根据查询和键之间的“距离”调整分数。

def relative_positional(score, b, h, q_idx, kv_idx):
    return score + (q_idx - kv_idx)

注意，与典型实现不同，这*不需要*实例化一个 SxS 张量。相反，FlexAttention 会在核函数内部“即时”计算偏置值，从而显著改善内存和性能。

ALiBi 偏置

来源：Train Short, Test Long: Attention with Linear Biases Enables Input Length Extrapolation

ALiBi 在《Train Short, Test Long: Attention with Linear Biases Enables Input Length Extrapolation》中被提出，并声称在推理时具有有利于长度外推的特性。值得注意的是，MosaicML 曾指出“缺乏核函数支持”是他们最终从 ALiBi 转向旋转位置编码（rotary embeddings）的主要原因。

Alibi 与相对位置编码类似，但有一个例外——它有一个通常预计算的每个头部的因子。

alibi_bias = generate_alibi_bias() # [num_heads]

def alibi(score, b, h, q_idx, kv_idx):
    bias = alibi_bias[h] * (kv_idx - q_idx)
    return score + bias

这展示了 torch.compile 提供的一个有趣的灵活性——即使 alibi_bias *未明确作为输入传入*，我们也可以从中加载！生成的 Triton 核函数将计算从 alibi_bias 张量中的正确加载并将其融合。请注意，即使你重新生成 alibi_bias，我们仍然不需要重新编译。

软限幅

软限幅是一种在 Gemma2 和 Grok-1 中使用的技术，它防止 logits 增长过大。在 FlexAttention 中，它看起来像

softcap = 20
def soft_cap(score, b, h, q_idx, kv_idx):
    score = score / softcap
    score = torch.tanh(score)
    score = score * softcap
    return score

注意，这里我们也自动从前向传播生成了反向传播。此外，尽管这个实现是语义正确的，但考虑到性能原因，我们可能希望在这种情况下使用 tanh 近似。更多详情请参见 attention-gym。

因果掩码

尽管双向注意力是最简单的，但最初的《Attention is All You Need》论文和绝大多数大型语言模型（LLMs）在解码器模式下使用注意力，其中每个 token 只能关注其之前的 token。人们通常将其视为一个下三角掩码，但使用 score_mod API，它可以表达为

def causal_mask(score, b, h, q_idx, kv_idx):
    return torch.where(q_idx >= kv_idx, score, -float("inf"))

基本上，如果查询 token “在”键 token “之后”，我们保留分数。否则，我们将其掩码掉，方法是将其设置为 -inf，从而确保它不参与 softmax 计算。

然而，与其它修改相比，掩码是特殊的——如果某些内容被掩码掉，我们可以完全跳过其计算！在这种情况下，因果掩码具有约 50% 的稀疏性，因此不利用这种稀疏性将导致速度慢 2 倍。尽管这个 score_mod 足以*正确*实现因果掩码，但要获得稀疏性的性能优势，还需要另一个概念——mask_mod。

mask_mod

为了利用掩码带来的稀疏性，我们需要做更多的工作。具体来说，通过将 mask_mod 传递给 create_block_mask，我们可以创建一个 BlockMask。FlexAttention 随后就可以使用 BlockMask 来利用稀疏性！

注意，mask_mod 的签名与 score_mod 非常相似——只是没有 score 参数。具体来说

# returns True if this position should participate in the computation
mask_mod(b, h, q_idx, kv_idx) => bool

注意，score_mod 在表达能力上严格*强于* mask_mod。然而，对于掩码操作，建议使用 mask_mod 和 create_block_mask，因为这样性能更好。关于为何 score_mod 和 mask_mod 是分开的，请参阅 FAQ 部分。

现在，让我们看看如何使用 mask_mod 实现因果掩码。

因果掩码

from torch.nn.attention.flex_attention import create_block_mask

def causal(b, h, q_idx, kv_idx):
    return q_idx >= kv_idx

# Because the sparsity pattern is independent of batch and heads, we'll set them to None (which broadcasts them) 
block_mask = create_block_mask(causal, B=None, H=None, Q_LEN=1024, KV_LEN=1024)
# In this case, we don't need a score_mod, so we won't pass any in.
# However, score_mod can still be combined with block_mask if you need the additional flexibility.
flex_attention(query, key, value, block_mask=block_mask)

请注意，create_block_mask 是一个相对昂贵的操作！尽管 FlexAttention 在它改变时不需要重新编译，但如果你不注意缓存它，它可能会导致显著的性能下降（请查看 FAQ 部分获取最佳实践建议）。

TFlops 大致相同，但使用 mask_mod 版本的执行时间快了 2 倍！这表明我们可以利用 BlockMask 提供的稀疏性，*而不会*损失硬件效率。

滑动窗口 + 因果注意力

来源：Mistral 7B

Mistral 推出的滑动窗口注意力（也称为局部注意力）利用了最近的 token 最有用的直觉。具体来说，它允许查询 token 只关注，例如，最近的 1024 个 token。这通常与因果注意力一起使用。

SLIDING_WINDOW = 1024

def sliding_window_causal(b, h, q_idx, kv_idx):
    causal_mask = q_idx >= kv_idx
    window_mask = q_idx - kv_idx <= SLIDING_WINDOW 
    return causal_mask & window_mask

# If you want to be cute...
from torch.nn.attention import and_masks

def sliding_window(b, h, q_idx, kv_idx)
    return q_idx - kv_idx <= SLIDING_WINDOW

sliding_window_causal = and_masks(causal_mask, sliding_window)

我们将其与带有滑动窗口掩码的 F.scaled_dot_product_attention 以及带有因果掩码的 FA2（作为性能参考点）进行了基准测试。我们不仅比 F.scaled_dot_product_attention 快得多，而且比带有因果掩码的 FA2 *也*快得多，因为此掩码具有显著更高的稀疏性。

PrefixLM

来源：PaliGemma: A versatile 3B VLM for transfer

《Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer》中提出的 T5 架构描述了一种注意力变体，它在“前缀”上执行完全双向注意力，在其余部分执行因果注意力。我们再次组合两个掩码函数来实现这一点，一个用于因果掩码，另一个基于前缀长度。

prefix_length: [B]
def prefix_mask(b, h, q_idx, kv_idx):
    return kv_idx <= prefix_length[b]

prefix_lm_causal = or_masks(prefix_mask, causal_mask)
# In this case, our mask is different per sequence so we set B equal to our batch size
block_mask = create_block_mask(prefix_lm_causal, B=B, H=None, S, S)

就像 score_mod 一样，mask_mod 允许我们引用未明确作为输入传入的额外张量！然而，对于 PrefixLM，稀疏性模式会随*每个* *输入*而变化。这意味着对于每个新的输入批次，我们将需要重新计算 BlockMask。一种常见模式是在模型开始时调用 create_block_mask 并将该 block_mask 重用于模型中的所有注意力调用。请参阅 *重新计算 Block Mask 与重新编译* 部分。

然而，作为交换，我们不仅能够获得用于 PrefixLM 的高效注意力核函数，*还*能够利用输入中存在的任意稀疏性。FlexAttention 将根据 BlockMask 数据动态调整其性能，*无需*重新编译核函数。

文档掩码/不规则序列

另一种常见的注意力变体是文档掩码/不规则序列。想象你有多个长度不同的序列。你想把它们放在一起进行训练，但不幸的是，大多数算子只接受矩形张量。

通过 BlockMask，我们也可以在 FlexAttention 中高效地支持这一点！

1. 首先，我们将所有序列展平为一个包含 sum(序列长度) 个 token 的单个序列。
2. 然后，我们计算每个 token 所属的 document_id。
3. 最后，在我们的 mask_mod 中，我们只需判断查询 token 和 kv token 是否属于同一文档！

# The document that each token belongs to.
# e.g. [0, 0, 0, 1, 1, 2, 2, 2, 2, 2, 2] corresponds to sequence lengths 3, 2, and 6.
document_id: [SEQ_LEN]

def document_masking(b, h, q_idx, kv_idx):
    return document_id[q_idx] == document_id[kv_idx]

就是这样！在这种情况下，我们看到最终得到了一个分块对角掩码（blockdiagonal mask）。

文档掩码的一个有趣之处在于，很容易看出它如何与任意组合的其他掩码结合。例如，我们已经在上一节中定义了 prefixlm_mask。那么现在我们还需要定义一个 prefixlm_document_mask 函数吗？

在这些情况下，我们发现一种非常有用的模式，我们称之为“更高级别修改”。在这种情况下，我们可以获取一个现有的 mask_mod，并自动将其转换为适用于不规则序列的 mask_mod！

def generate_doc_mask_mod(mask_mod, document_id):
    # Get unique document IDs and their counts
    _, counts = torch.unique_consecutive(document_id, return_counts=True)
    # Create cumulative counts (offsets)
    offsets = torch.cat([torch.tensor([0], device=document_id.device), counts.cumsum(0)[:-1]])
    def doc_mask_wrapper(b, h, q_idx, kv_idx):
        same_doc = document_id[q_idx] == document_id[kv_idx]
        q_logical = q_idx - offsets[document_id[q_idx]]
        kv_logical = kv_idx - offsets[document_id[kv_idx]]
        inner_mask = mask_mod(b, h, q_logical, kv_logical)
        return same_doc & inner_mask
    return doc_mask_wrapper

例如，给定上面提到的 prefix_lm_causal 掩码，我们可以将其转换为适用于打包文档的掩码，如下所示：

prefix_length = torch.tensor(2, dtype=torch.int32, device="cuda")
def prefix_mask(b, h, q_idx, kv_idx):
    return kv_idx < prefix_length
prefix_lm_causal = or_masks(prefix_mask, causal_mask)
doc_prefix_lm_causal_mask = generate_doc_mask_mod(prefix_lm_causal, document_id)

现在，这个掩码形状是“分块-PrefixLM-对角”的。 :)

以上就是我们的所有示例！还有比我们列出的多得多的注意力变体，请查看 Attention Gym 以获取更多示例。我们希望社区也能贡献他们最喜欢的 FlexAttention 应用。

常见问题

问：FlexAttention 何时需要重新编译？

答：由于 FlexAttention 利用 torch.compile 进行图捕获，它实际上可以在许多情况下避免重新编译。值得注意的是，即使捕获的张量值发生变化，它也*不需要*重新编译！

flex_attention = torch.compile(flex_attention)
def create_bias_mod(bias)
    def bias_mod(score, b, h, q_idx, kv_idx):
        return score + bias
    return bias_mod
bias_mod1 = create_bias_mod(torch.tensor(0))
flex_attention(..., score_mod=bias_mod1) # Compiles the kernel here 

bias_mod2 = create_bias_mod(torch.tensor(2))
flex_attention(..., score_mod=bias_mod2) # Doesn't need to recompile! 

即使更改分块稀疏性（block-sparsity）也不需要重新编译。但是，如果分块稀疏性发生变化，我们确实需要*重新计算* BlockMask。

问：我们何时应该重新计算 BlockMask？

答：当分块稀疏性发生变化时，我们需要重新计算 BlockMask。尽管计算 BlockMask 比重新编译便宜得多（大约是几百微秒而不是几秒），但你仍然应该注意不要过度频繁地重新计算 BlockMask。

以下是一些常见模式和建议。

掩码永不改变（例如：因果掩码）
在这种情况下，你可以简单地预计算并全局缓存 BlockMask，并在所有注意力调用中重用它。

block_mask = create_block_mask(causal_mask, 1, 1, S,S)
causal_attention = functools.partial(flex_attention, block_mask=block_mask)

掩码随每个批次变化（例如：文档掩码）
在这种情况下，我们建议在模型开始时计算 BlockMask 并将其贯穿整个模型——在所有层中重用该 BlockMask。

def forward(self, x, doc_mask):
    # Compute block mask at beginning of forwards
    block_mask = create_block_mask(doc_mask, None, None, S, S)    
    x = self.layer1(x, block_mask)
    x = self.layer2(x, block_mask)
    ...
    # amortize block mask construction cost across all layers
    x = self.layer3(x, block_mask) 
    return x

掩码随每层变化（例如：数据依赖的稀疏性）
这是最难的情况，因为我们无法在多次调用 FlexAttention 之间分摊 Block Mask 的计算开销。尽管 FlexAttention 当然仍然可以使这种情况受益，但 BlockMask 的实际收益取决于你的注意力掩码有多稀疏以及我们构建 BlockMask 的速度有多快。这引出了下一个问题……

问：如何更快地计算 BlockMask？

答：不幸的是，create_block_mask 从内存和计算角度来看都相当昂贵，因为确定一个块是否完全稀疏需要评估该块中每个点的 mask_mod。有几种方法可以解决这个问题。

1. 如果你的掩码在批次大小或注意力头维度上是相同的，请确保对这些维度进行广播（即在 create_block_mask 中将它们设置为 None）。
2. 编译 create_block_mask。不幸的是，目前 torch.compile 由于一些限制，尚无法直接作用于 create_block_mask。但是，你可以设置 _compile=True，这将显著降低峰值内存和运行时（通常是一个数量级）。

3. 编写自定义的 BlockMask 构造函数。BlockMask 的元数据非常简单（请参阅文档）。它本质上是两个张量。
   a. num_blocks：为每个查询块计算的 KV 块数量。 b. indices：为每个查询块计算的 KV 块的位置。

   例如，这里有一个针对 causal_mask 的自定义 BlockMask 构造函数。

def create_causal_mask(S):
    BLOCK_SIZE = 128
    # The first query block computes one block, the second query block computes 2 blocks, etc.
    num_blocks = torch.arange(S // BLOCK_SIZE, device="cuda") + 1
    # Since we're always computing from the left to the right,
    # we can use the indices [0, 1, 2, ...] for every query block.
    indices = torch.arange(S // BLOCK_SIZE, device="cuda").expand(
        S // BLOCK_SIZE, S // BLOCK_SIZE
    )
    num_blocks = num_blocks[None, None, :]
    indices = indices[None, None, :]
    return BlockMask(num_blocks, indices, BLOCK_SIZE=BLOCK_SIZE, mask_mod=causal_mask)

问：为什么 score_mod 和 mask_mod 是分开的？mask_mod 不就是一个特殊的 score_mod 吗？

答：非常敏锐的问题，假想的听众朋友！事实上，任何 mask_mod 都可以轻松转换为 score_mod（我们不建议在实践中使用此函数！）。

def mask_mod_as_score_mod(b, h, q_idx, kv_idx):
    return torch.where(mask_mod(b, h, q_idx, kv_idx), score, -float("inf"))

那么，如果 score_mod 可以实现 mask_mod 可以实现的一切，那么存在 mask_mod 的意义何在？

一个直接的挑战是：score_mod 需要实际的 score 值作为输入，但在预计算 BlockMask 时，我们没有实际的 score 值。我们或许可以通过传入全零来伪造值，如果 score_mod 返回 -inf，则认为它被掩码（事实上，我们最初就是这样做的！）。

然而，这里有两个问题。首先，这种做法很取巧（hacky）——如果用户的 score_mod 在输入为 0 时返回 -inf 怎么办？或者如果用户的 score_mod 使用一个很大的负值而不是 -inf 进行掩码怎么办？这似乎是试图将一个圆钉强行塞进一个方孔。然而，将 mask_mod 与 score_mod 分开还有一个更重要的原因——它从根本上来说更有效率！

事实证明，对计算出的每个元素应用掩码实际上相当昂贵——我们的基准测试显示性能下降约 15-20%！因此，尽管通过跳过一半计算可以获得显著加速，但由于需要对每个元素进行掩码，我们损失了加速效果中的很大一部分！

幸运的是，如果我们可视化因果掩码，我们会注意到绝大多数块根本不需要“因果掩码”——它们是完全计算的！只有对角线上的块，部分计算且部分被掩码，才需要应用掩码。

BlockMask 之前告诉我们哪些块需要计算，哪些块可以跳过。现在，我们进一步增强此数据结构，以告诉我们哪些块是“完全计算的”（即可以跳过掩码）与“部分计算的”（即需要应用掩码）。然而，请注意，尽管在“完全计算的”块上可以跳过掩码，但其他 score_mod，如相对位置编码，仍然需要应用。

仅给定一个 score_mod，我们无法准确判断其中哪些部分是“掩码”。因此，用户必须自行将其拆分为 mask_mod。

问：BlockMask 需要多少额外内存？

答：BlockMask 元数据的大小为 [BATCH_SIZE, NUM_HEADS, QUERY_LEN//BLOCK_SIZE, KV_LEN//BLOCK_SIZE]。 如果掩码在批次大小或注意力头维度上是相同的，可以在该维度上进行广播以节省内存。

在默认 BLOCK_SIZE 为 128 时，对于大多数用例，我们预计内存使用量可以忽略不计。例如，对于序列长度为 100 万的情况，BlockMask 只会使用 60MB 的额外内存。如果这是一个问题，你可以增加块大小：create_block_mask(..., BLOCK_SIZE=1024)。例如，将 BLOCK_SIZE 增加到 1024 将使此元数据降至不到 1MB。

问：数值计算结果如何比较？

答：尽管结果并非完全按位相同，但我们确信 FlexAttention 与 FlashAttention 一样具有数值精度。我们在各种输入（包括因果和非因果注意力变体）上生成了 FlashAttention 与 FlexAttention 比较的差异分布。误差几乎相同。

性能

一般来说，FlexAttention 的性能几乎与手写的 Triton 核函数一样，这并不奇怪，因为我们大量利用了手写的 Triton 核函数。然而，由于其通用性，我们确实会产生一小部分性能开销。例如，我们必须承担一些额外的延迟来确定下一个计算哪个块。在某些情况下，我们提供了一些核函数选项，这些选项可以在改变其行为的同时影响核函数的性能。这些选项可以在此处找到：性能旋钮（performance knobs）。

作为案例研究，让我们探讨一下这些旋钮如何影响因果注意力的性能。我们将比较 Triton 核函数与 FlashAttentionv2 在 A100 上的性能。脚本可以在此处找到。

FlexAttention 在前向传播中达到 FlashAttention2 性能的 90%，在反向传播中达到 85%。FlexAttention 目前使用确定性算法，重新计算的中间结果比 FAv2 多，但我们计划改进 FlexAttention 的反向算法，并希望缩小这一差距！

结论

希望你在使用 FlexAttention 时也能像我们开发它时一样充满乐趣！在开发过程中，我们发现了比预期多得多的 API 应用。我们已经看到它将 torchtune 的样本打包吞吐量提高了 71%，使研究人员无需花费一周多时间编写自己的自定义 Triton 核函数，并提供了与自定义手写注意力变体相当的性能。

此外，实现 FlexAttention 的另一个乐趣在于，我们能够以有趣的方式利用许多现有的 PyTorch 基础设施。例如，TorchDynamo (torch.compile 的前端) 的一个独特之处在于，它*不*要求编译函数中使用的张量必须明确作为输入传入。这使得我们可以编译文档掩码等模块，而这些模块需要访问*全局*变量，并且全局变量需要改变！

bias = torch.randn(1024, 1024)
def score_mod(score, b, h, q_idx, kv_idx):
    return score + bias[q_idx][kv_idx] # The bias tensor can change!

此外，torch.compile 是一个通用的图捕获机制，这一事实也使其能够支持更“高级”的转换，例如将任意 mask_mod 转换为适用于不规则张量的高阶转换。

我们还利用了 TorchInductor (torch.compile 的后端) 的基础设施，特别是 Triton 模板。这不仅使代码生成 FlexAttention 变得容易，还自动为我们提供了动态形状以及后处理融合（epilogue fusion，即将一个算子融合到注意力计算的末尾）的支持！未来，我们计划扩展此支持，以涵盖注意力量化版本或类似 RadixAttention 的功能。

此外，我们还利用了高阶算子（higher order ops）、PyTorch 的 autograd 来自动生成反向传播，以及 vmap 来自动应用 score_mod 以创建 BlockMask。

当然，如果没有 Triton 和 TorchInductor 生成 Triton 代码的能力，这个项目是不可能实现的。

我们期待未来将这里使用的方法应用于更多场景！

限制与未来工作

• FlexAttention 目前可在 PyTorch nightly 版本中使用，我们计划在 2.5.0 版本中将其作为原型功能发布。
• 我们在此未涉及如何在推理时使用 FlexAttention（或如何实现 PagedAttention）——我们将在后续文章中介绍这些内容。
• 我们正在努力提高 FlexAttention 的性能，使其在 H100 GPU 上与 FlashAttention3 相当。
• FlexAttention 要求所有序列长度必须是 128 的倍数——这将在近期解决。
• 我们计划尽快添加 GQA 支持——目前，你可以直接复制 KV 头。

致谢

我们想重点介绍一些启发 FlexAttention 的先前工作（和人物）。

• Tri Dao 在 FlashAttention 方面的工作
• Francisco Massa 和 Xformers 团队在 Triton 中的 BlockSparseAttention 工作
• Jax 团队在 SplashAttention 方面的工作
• Philippe Tillet 和 Keren Zhou 在 Triton 方面给予的帮助
• Ali Hassani 关于邻域注意力（neighborhood attention）的讨论
• 那些抱怨注意力核函数不支持他们喜欢的注意力变体的人们 :)