MM-ShiftKV

新的MM-ShiftKV方法优化多模态LLM的KV缓存

研究人员开发了MM-ShiftKV，一种用于优化多模态大语言模型（MLLM）中键值（KV）缓存的新颖方法。该技术解决了预填充阶段KV选择方法（基于预填充统计数据估算KV重要性）在多模态推理期间表现不佳的问题，因为解码时查询的方差很大。MM-ShiftKV是一种无需训练的方法，它通过使用方差扩展查询代理来近似预填充期间的解码时查询行为。然后，它根据聚合的注意力质量来估算提示KV的重要性，在严格的KV缓存预算下，在多模态基准测试中始终优于现有方法。