LLM推理加速深度解析：为何只使用KV Cache，而不用Q Cache？

这个问题其实非常直观——在LLM的自回归解码（decoding）阶段，每一次推理仅依赖当前的Q向量，用完即弃，后续步骤不会再重复使用它。但K和V则截然不同：当前步骤用到的K和V，后续推理中依然需要反复调用，并且还要将新生成token对应的KV追加进去。因此，缓存KV能够大幅削减重复计算量，而缓存Q则完全没有实际意义。

道理虽如此，但面试官往往会进一步追问：“Attention公式中Q和K在形式上如此对称，为什么只缓存K而不缓存Q？” 那么，我们就从公式底层把这个问题彻底讲清楚。

从矩阵运算角度理解对称性如何被打破

首先将Attention中的Q、K、V写成矩阵分块形式。Q与K的转置做矩阵乘法时，表面上看K和Q可以互换，对称性非常完美。然而，当V介入后，这种对称性便不复存在。

忽略缩放系数，将第i行的softmax结果简记为s_i，则Attention的输出就是每个位置的softmax权重与对应V的加权和：

在没有Causal Mask（因果掩码）的情况下，上述操作天然对称——交换Q和K，结果形式保持不变。但一旦引入Causal Mask，局面就彻底不同。

启用Causal Mask时，当前token只能关注自己及之前的位置，无法看到未来信息。此时Attention计算变为：

写出通项公式：

• 无Causal Mask：每个位置的输出依赖于所有位置的Q、K、V。
• 有Causal Mask：第t个位置的输出仅依赖于位置1到t的K、V，以及当前位置的Q。

关键差异就在此处：在序列的第t个位置，只有当前这个 q_t 参与了计算，而K和V却有t个位置（1到t）全部参与。因此，我们需要缓存历史上所有位置的K和V，但完全无需缓存历史的Q——因为它们在后续计算中早已失效。

值得一提的是，如果没有Causal Mask，计算第t个位置的Attention还需要用到未来位置的KV，这在自回归推理中根本无法提前获取。而加上Causal Mask之后，仅需1,2,…,t位置的KV，推理才能顺利执行。这也正是KV Cache不仅是一种性能优化手段，更是自回归解码得以高效运转的核心基础。