清华大学和香港中文大学的研究人员开源了AKV,一个专为大型语言模型(LLM)Agent设计的KV缓存工程服务系统。与传统的总结或截断文本历史的上下文工程不同,AKV允许Agent选择性地丢弃和重新定位KV缓存条目,在不重新计算的情况下重用保留的信息。这种方法在包括GPT-OSS-120B和MiniMax M2.7在内的各种模型和基准测试中,展示了显著的性能提升,平均成本降低了27.7%,平均任务得分提高了1.7分。 AI
影响 该系统通过优化KV缓存的使用,可以显著降低LLM Agent的运营成本,可能支持更复杂和更长期的Agent任务。
排序理由 该集群描述了一个用于LLM Agent的新系统的开源情况,详细介绍了其技术方法和在基准测试中的性能改进。
在 Mastodon — mastodon.social 阅读 →
- A800-80GB
- BrowseComp-Plus
- GPT-OSS-120B
- KV cache
- LLM agents
- MiniMax M2.7
- MiroThinker-1.7-Mini
- Nvidia
- SGLang
- SWE-bench
- Text Engineering Software Laboratory
- The Chinese University of Hong Kong
- Tsinghua University
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →