研究人员推出了一种新颖的服务机制 KVBuffer,旨在提高线性注意力模型的效率,特别是在长上下文推理方面。这种感知IO的方法缓冲了最近的键和值,实现了分块计算和推测解码的并行验证。KVBuffer 在 Qwen 3.5 和 Nemotron 3 等模型中通过 SGLang 实现,在批量解码方面显示出显著的加速,并增加了推测解码的服务容量。 AI
影响 提高了长上下文AI模型的服务效率和延迟,可能促进线性注意力架构的更广泛应用。
排序理由 这是一篇详细介绍AI模型服务新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →