一句话定义：多头潜在注意力（Multi-head Latent Attention，MLA）是一种注意力机制，它不把每个头的键（Key）和值（Value）原样存进 KV 缓存，而是先压成一个低维的"潜在向量"存起来，等要用的时候再还原回去，从而在省显存的同时尽量保留AI 词典：多头注意力">多头注意力的表达能力。
先说说 KV 缓存为什么费显存。大模型生成文字是一个字一个字往外蹦的，每蹦一个字，都要回头"看"前面所有字。为了避免每步都重算，推理框架会把每个历史字对应的 K、V 存下来，这就是 KV 缓存。它的大小大致等于：2 × 层数 × 头数 × 每个头的维度 × 序列长度 × 数值精度。序列越长、头越多，这块缓存就越像一间越堆越满的仓库，最后把显存吃光。
打个比方：MHA（Multi-Head Attention）像是给每一位读者都复印一整本说明书，每个头一份，内容各不相同，记得最全，但复印费最贵。MQA（Multi-Query Attention）干脆只印一本，所有人传着看，最省，但每个人都只能看到同一份内容。GQA（Grouped-Query Attention）折中——几个人合看一本。
MLA 的路子不太一样：它把说明书先扫成一个压缩包，只存压缩包，谁要看的时候现场解压出自己要的那部分。这个"压缩包"就是低维潜在向量，解压的过程由一组上投影矩阵完成。因为解压出来的 K、V 仍然是按头分开的，各头之间的差异被保留了下来，表达能力不像 MQA 那样被摊平。
| 方案 | 缓存里存什么 | 显存占用 | 头之间的差异 |
|---|---|---|---|
| MHA | 每个头各自的完整 K/V | 最高 | 各头完全独立 |
| MQA | 所有头共用一份 K/V | 最低 | 基本被抹平 |
| GQA | 每组头共用一份 K/V | 较低 | 组内相同、组间不同 |
| MLA | 一个低维潜在向量，用时还原 | 较低 | 各头仍有独立投影 |
对做工程的人，MLA 的实际意义很直接：同样一张显卡，能塞下更长的上下文或更大的并发批次；在长文档问答、代码库级理解、多轮长对话这类"上下文很长"的场景里，它把省下来的显存换成了可用长度和吞吐。代价是实现上多了一层投影算子，推理框架需要专门支持，否则拿不到收益；它和旋转位置编码等已有组件的配合方式，也常是工程落地时的细活。
对普通人来说，它的体感是：模型能记住更长的对话，你贴一篇长文进去，它不容易"忘了开头"；同时响应速度不会因为上下文变长而明显变慢。至于哪些模型、哪些推理框架已经支持，以各家官方页面为准。