kv_cache_decode — LLMCORE `decode` op

• 데이터 종류: tokens × tokens × tokens → tokens

• 호출: import fullseye as fs; fs.ledger.kv_cache_decode(query_step, key_cache, value_cache, scale=None) -> 'np.ndarray'(구현을 직접 호출하려면 import llmcore; llmcore.kv_cache_decode(query_step, key_cache, value_cache, scale=None) -> 'np.ndarray', 원장에서 가져오려면 opsllmcore.get("kv_cache_decode"))

사용법

> 이 연산자의 설명은 아직 번역이 없습니다. 원문을 그대로 싣습니다.

1 トークン分だけ進める推論(KV Cache)→ tokens (1, dv)。

因果マスクの下では未来を書き換えても前の出力が 1 ビットも動かない(実測 0.0e+00)

ので、済んだ key/value を取っておいて 1 行だけ計算すればよい —— 逐次に 1 行ずつ

進めた結果は、全系列を一括で通した結果と一致する(相対差 1.6e-16)。

計算量は 1 歩あたり O(T d) で、一括の O(T² d) を T 歩に割ったものに等しい。

Args:

query_step: (1, d) float。いま生成しようとしている 1 トークン。

key_cache: (T, d) float。ここまでに見た key(自分を含む)。

value_cache: (T, dv) float。同じ長さの value。

scale: スコアの倍率。None なら 1/√d。

Returns:

tokens (1, dv) float: 一括で通した最終行と一致する。

자세한 사용 가이드

• llmcore 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• poc_attention_identities — py -3.11 examples/poc_attention_identities.py

타입이 이어지는 다음 연산자(`tokens` 를 입력으로 받는 것)

rms_norm · rope_rotate · attention_scores · attention_apply · attention_softmax · attention_tiled · attention_linear · attention_grouped

같은 카테고리(`decode`)

—

*Provenance: llmcore.py — LLMCORE 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

kv_cache_decode — LLMCORE decode op

사용법