English(EN) Looping Deeper Without Growing the KV Cache: Recurrent Depth for Causal Encoder-Decoders

新的循环CED架构为大型语言模型大幅削减KV缓存需求

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了一种新颖的循环因果编码器-解码器（CED）架构，该架构显著减少了与循环语言模型相关的内存占用。这种新设计在不增加跨层和跨轮次的KV缓存大小的情况下实现了循环深度，而KV缓存大小是当前系统中的一个主要瓶颈。通过策略性地将循环置于编码器中，模型可以迭代地优化全局KV表示，从而提高语言建模性能和长上下文扩展能力。在552B参数的DeepSeek-V4.1-Flash模型上的测试表明，与非循环模型相比，KV缓存使用量大幅减少，在推理过程中实现了显著更高的吞吐量和批处理大小。 AI

影响这项架构创新可以显著降低推理成本，提高大型语言模型的部署效率，从而支持更广泛的应用和更复杂的场景。

排序理由学术论文，详细介绍了新的模型架构及其性能改进。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 37 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了新的模型架构及其性能改进。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jiaqi Leng, Minshen Zhang, Zhaofeng Sun, Yu-Yang Qian, Peng Zhao, Hao Zhang · 2026-11-11 05:00

无需增大KV缓存即可实现更深层循环：因果编码器-解码器的循环深度

arXiv:2611.13378v1 Announce Type: new Abstract: Looped language models deepen computation without adding parameters, yet caching full-context key-value (KV) states across layers and rounds severely bounds serving batch size. We design a looped causal encoder-decoder (CED) that ac…

本文如何被排名

报道来源 [1]

无需增大KV缓存即可实现更深层循环：因果编码器-解码器的循环深度

相关实体

相关话题