Agent初创实习-VLM推理加速的一些问题

问题

很多通过 kv-cache 删键值对的加速方式在真实场景下是行不通的，因为在FlashAttention、SDPA算子融合之下无法使用这种删键值对的方式；只能在eager下使用，但是eager本身就打不过这FA和SDPA啊；

SDPA 接口

PyTorch 2.0 引入的上层统一 API，不是单一固定实现。调用 SDPA 时，PyTorch 自动判断硬件 / 数据类型，自动选下面其中一个后端：

1. Eager：原生 PyTorch 实现，会完整生成 N×N 的 attention 分数矩阵，存在 HBM 显存里，显存(O(N^2))，长序列容易 OOM，最慢
2. Memory-Efficient Attention（xFormers）：优化版，减少部分显存
3. FlashAttention2：如果装了 flash-attn 库、GPU 支持，SDPA 就自动切到 FlashAttention 内核

一、先梳理基础：Eager 原生注意力完整流程（对照标杆）

标准缩放点积注意力公式：
O=softmax⁡(QK⊤dk)V \mathbf{O}=\operatorname{softmax}\left(\frac{\mathbf{Q}\mathbf{K}^\top}{\sqrt{d_k}}\right)\mathbf{V}O=softmax(dk​