FlashAttention-4震撼来袭，原生支持Blackwell GPU，英伟达的护城河更深了？

在正在举办的半导体行业会议 Hot Chips 2025 上，TogetherAI 首席科学家 Tri Dao 公布了 FlashAttention-4。据介绍，在 Backwell 上，FlashAttention-4 的速度比英伟达 cuDNN 库中的注意力核实现快可达 22%！在这个新版本的 FlashAttention 中，Tri Dao 团队实现了两项关键的算法改进。

在正在举办的半导体行业会议 Hot Chips 2025 上，TogetherAI 首席科学家 Tri Dao 公布了 FlashAttention-4。

据介绍，在 Backwell 上，FlashAttention-4 的速度比英伟达 cuDNN 库中的注意力核实现快可达 22%！

在这个新版本的 FlashAttention 中，Tri Dao 团队实现了两项关键的算法改进。

一、它使用了一种新的在线 softmax 算法，可跳过了 90% 的输出 rescaling。

二、为了更好地将 softmax 计算与张量核计算重叠，它使用了指数 (MUFU.EX2) 的软件模拟来提高吞吐量。

此外，FlashAttention-4 使用的是 CUTLASS CuTe Python DSL，其移植到 ROCm HIP 的难度要高出 10 倍，而 CUDA C++ 移植到 ROCm HIP 则更容易。

有意思的是，Tri Dao 还宣布，在执行 A@B+C 计算时，对于 Blackwell 上在归约维度 K 较小的计算场景中，他使用 CUTLASS CuTe-DSL 编写的核（kernel）比英伟达最新的 cuBLAS 13.0 库快不少。而在标准矩阵算法 A@B 时，两者速度总体是相当的。

据介绍，他的核通过使用两个累积缓冲区来重叠 epilogue，从而击败了 cuBLAS。

Semi Analysis 表示，像 Tri Dao 这样的开发者是 CUDA 护城河的核心优势之一，因为 Tri Dao 只使用英伟达 GPU，并将其大部分核开源给其他英伟达开发者群体。Tri Dao 等研究者均不使用 ROCm AMD GPU 或 Trainium 芯片。

这对于 AMD 等来说可不是好消息，假如 AMD 希望 Tri Dao 和他的团队在 ROCm 上实现算法突破。那么，它就应该为 TogetherAI GPU 云服务上的 AMD GPU 提供优惠支持。Semi Analysis 分析说：「谷歌为 Noam Shazeer 支付了 27 亿美元，Zucc 为 OpenAI 工程师支付了 1 亿美元，AMD 拥有足够的现金，可以为 TogetherAI/Tri Dao 支付 5000 万美元来启动 ROCm 生态系统。」

FlashAttention 最早由 Tri Dao 等人在 2022 年提出，论文标题为《FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness》。

论文地址：https://arxiv.org/pdf/2205.14135

其背景是传统的注意力机制因需生成 N×N 的注意力矩阵，在序列长度 N 增长时引发二次的（quadratic）时间和内存开销。

而 FlashAttention 强调「IO-awareness」，不再将注意力矩阵完整载入，而是通过「tiling+softmax rescaling」策略，将数据块临时存入高速缓存（SRAM），在内部积累，再写回高带宽内存（HBM），避免了大量读写开销，内存复杂度得到显著降低 —— 从 O (N²) 降至 O (N)。

如图所示，在左图中，FlashAttention 使用了 tiling 技术来防止在（相对较慢的）GPU HBM 上执行很大的 𝑁 × 𝑁 注意力矩阵（虚线框）。在外层循环（红色箭头）中，FlashAttention 循环遍历 K 和 V 矩阵的块，并将其加载到快速片上 SRAM 中。在每个块中，FlashAttention 循环遍历 Q 矩阵的块（蓝色箭头），将其加载到 SRAM 中，并将注意力计算的输出写回 HBM。

在右图中，可以看到相比 GPT-2 上 PyTorch 注意力实现，FlashAttention 速度更快 ——FlashAttention 无需将大型 𝑁 × 𝑁 注意力矩阵读写到 HBM，从而将注意力计算速度提升了 7.6 倍。

整体上，初代 FlashAttention 带来的增益也很显著：在 BERT-large（序列长度 512）中相比 MLPerf 基线提升训练速度约 15%；GPT-2（序列长度 1K）提升约 3 倍；在 Long-Range Arena（序列长度 1K–4K）提升约 2.4 倍。

一年后，FlashAttention-2 问世，这一次，作者仅 Tri Dao 一人。顺带一提，他还在这一年的晚些时候与 Albert Gu 共同提出了 Mamba。

论文地址：https://arxiv.org/pdf/2307.08691

其改进的焦点是：FlashAttention 已显著提升性能，但在 GPU 上仍存在低吞吐率的问题，仅能达到理论峰值很低的比例（约 25–40%）。

为此，Tri Dao 提出的解决策略包括：

工作划分优化：重新设计分块策略与线程分配，提升并行效率，增加硬件利用率；
减少非矩阵运算，加快整体执行；
支持更大 head size（至 256）及多查询注意力（MQA）和分组查询注意力（GQA），适配更多模型架构需求。

结果，相比初代 FlashAttention，FlashAttention-2 速度提高约 2–4×；在 A100 GPU 上 FP16/BF16 可达到高至 230 TFLOPs/s，达 PyTorch 标准实现 9 倍速度提升。参阅机器之心报道《比标准 Attention 提速 5-9 倍，大模型都在用的 FlashAttention v2 来了》。

又一年，FlashAttention-3 诞生，这一次改进的重点是适配 Hopper 架构，异步与低精度。可以看到，Tri Dao 这一次的名字挂在最后。此时他虽然还继续在普林斯顿大学任教，但也同时已经是 Together AI 的首席科学家。

论文地址：https://arxiv.org/pdf/2407.08608

为了能加速在 Hopper GPU 上的注意力，FlashAttention-3 主要采用了三种技术：

通过 warp-specialization 重叠整体计算和数据移动；
交错分块 matmul 和 softmax 运算；
利用硬件支持 FP8 低精度的不连贯处理。

FlashAttention-3 的速度是 FlashAttention-2 的 1.5-2.0 倍，高达 740 TFLOPS，即 H100 理论最大 FLOPS 利用率为 75%。使用 FP8，FlashAttention-3 的速度更是接近 1.2 PFLOPS。参阅机器之心报道《英伟达又赚到了！FlashAttention3 来了：H100 利用率飙升至 75%》。

现在，到了 2025 年，FlashAttention-4 准时到来，增加了对 Blackwell GPU 的原生支持——之前，想要在 Blackwell 上跑 FlashAttention，如果直接用开源仓库，常常会遇到编译错误、kernel 缺失或性能未优化的情况，可用的 Blackwell 加速主要是借助英伟达 Triton/cuDNN 的间接支持。