腾赋能 TransMLA：无需重训突破架构壁垒，助力主流大模型高效适配 MLA

　　MLA(Multi-head Latent Attention多头潜在注意力架构)凭借低秩压缩KV缓存设计，实现长上下文推理的显存与带宽双重优化，其有效性已在 DeepSeek-V2 等模型中得到了验证。但主流预训练模型如LLaMA、Qwen千问等多基于GQA构建，企业已投入大量工程优化，复用MLA需重训，成本极高。为此，在北京大学 鲲鹏腾科教创新卓越中心的算力支持下，北京大学人工智能研究院助理教授张牧涵团队提出TransMLA转化框架，实现了无需重训便可将主流模型向MLA迁移。

　　TransMLA针对GQA向MLA迁移的核心痛点，实现四大技术模块的精准破局：一是GQA→MLA结构映射，破解分组KV头与MLA单头潜在表示不兼容问题，通过特定的线性变换，将GQA分组后的K、V向量投影/融合为单一的低秩潜在表示，并配备上投影矩阵保障KV信息精准恢复，筑牢迁移基础;二是提出RoRoPE技术方案，通过创新适配让位置编码顺畅融入低秩压缩流程，解决了直接对RoPE应用PCA等通用降维方法可能导致的位置信息损失或模型性能下降问题;三是通过将RoPE中相邻频率的旋转维度进行折叠(Folding)与融合，在降低参数量的同时，更高效地集中和保留关键的位置信息，从而维持模型在长序列下的语义理解能力;四是通过均衡Key和Value矩阵在压缩前的范数分布，提升联合压缩(如PCA)的数值稳定性，减少信息损失。

　　在技术落地过程中，腾发挥了关键支撑作用。其高效并行计算架构满足结构映射模块的多任务协同处理需求，保障了架构迁移效率;其优化的存储与缓存体系，为 FreqFold 的频率信息处理、BKV-PCA 的范数均衡提供稳定硬件基础，有效提升 KV 压缩的稳定性与资源利用效率，助力 TransMLA 核心技术平稳落地。

　　经过实验显示TransMLA的转换过程性能优势明显，裁剪LLaMA-2-7B模型68.75%的KV缓存后无需训练，核心性能仅轻微损失，在32K序列长度、FP16精度下，基于腾平台的推理速度较之于业界主流GPU平台有显著提升。依托开放的生态资源，腾已推动TransMLA稳定支持主流模型部署并将集成至vLLM/SGLang等高性能推理框架生态，便于用户部署，大幅降低企业落地适配成本。

　　TransMLA与腾的协同创新，打通了主流模型与MLA架构鸿沟，充分发挥腾生态优势。腾全链路支持实现TransMLA“零重训、低损失”目标，保留模型参数优势，降低企业基于腾的升级门槛。这一软硬件协同典范，为长上下文推理提供腾生态解决方案，推动自主计算与前沿AI融合，彰显腾核心引领作用，为大模型产业依托自主硬件降本增效提供可行路径。