研究人员开发了OSCAR,一种将KV缓存量化到2位精度的新颖方法,显著减少了大型语言模型的内存使用并提高了推理速度。该技术将量化基与注意力机制对齐,即使在极度压缩的缓存下也能保持准确性。OSCAR已集成到SGLang和vLLM等服务引擎中,在各种基准测试和模型规模上均显示出吞吐量和解码速度的显著提升。 AI
影响 通过减少内存占用和提高推理速度,实现了更高效的大型语言模型部署。
排序理由 该条目描述了在arXiv论文中提出的一种新颖的KV缓存量化方法。[lever_c_demoted from research: ic=1 ai=1.0]
- GLM-4.7
- KV cache
- OSCAR
- Qwen3-32B
- Qwen3-4B-Thinking-2507
- Qwen3-8B
- RULER-NIAH
- SGLang
- vLLM
- Zhou Zhongzhu
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →