The Residual Stream Is All You Need: On the Redundancy of the KV Cache in Transformer Inference
School of Computing and Artificial Intelligence(计算机与人工智能学院)
本文证明Transformer推理中的KV缓存是冗余的,残差流可完全替代其功能,通过重新计算残差流可实现零误差,且提出KV-Direct方法在低内存下实现高效推理。
2026-03-20 cs.AI cs.LG
SANTA++: Sampling Attention through Representative Keys
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Flucta
SANTA++是一种无需训练的随机注意力方法,通过代表性键采样团队并利用重要性采样校正,在减少KV读取的同时保持高注意力准确性,并在长上下文场景下实现显著加速。
2026-09-29 cs.CL cs.LG
KQ-SVD: Compressing the KV Cache with Provable Guarantees on Attention Fidelity
ENS de Lyon(里昂高等师范学院);DIRO, Université de Montréal(蒙特利尔大学DIRO中心);Mila(Mila人工智能研究所);CIFAR AI Chair(CIFAR人工智能主席)
KQ-SVD通过最优低秩分解提升KV缓存压缩的注意力保真度,实验证明其在LLaMA和Mistral模型中表现优异。
2025-12-05 cs.LG
OCTOPUS: Optimized KV Cache for Transformers via Octahedral Parametrization Under optimal Squared error quantization
Stability AI
OCTOPUS通过联合量化旋转坐标三元组,优化了Transformer的KV缓存,在保持内存带宽和足迹的同时,通过八面体参数化将方向映射到平方,并利用Lloyd-Max量化来实现非均匀的位分配,从而在各种数据类型中实现了优于现有旋转编码器的性能。
2026-05-20 cs.AI cs.LG
Quantize What Counts: More for Keys, Less for Values
Case Western Reserve University(凯斯西储大学);Rice University(Rice大学);Meta
本文提出两项定理,基于Transformer模型的内在几何特性,指导混合精度KV量化。关键投影具有更大的谱范数和Frobenius范数,优先分配精度给关键能减少量化误差并保留准确性。
2025-10-15 cs.LG
BELT : BEhavior-Aligned Low-Rank KV Cache Compression with Learned Top-k Rank Allocation
Peking University(北京大学);Tencent(腾讯);BeiHang University(北京航空航天大学)
针对大语言模型长上下文推理的KV缓存内存瓶颈,提出BELT框架,通过学习型秩分配实现高效低秩压缩,在提升模型质量与吞吐量的同时实现显著缓存压缩效果。
2026-10-14 cs.AI cs.LG
Tensor Decomposition of Transformer Key-Value Caches: Spectral Structure and Format Comparison
Universität Trier(特里尔大学)
本研究将Transformer的KV缓存视为四阶张量,通过谱分析发现键和特征模式低秩而头和层模式满秩,比较四种张量分解后,Tucker在2-5倍压缩比下误差最低,且键和值的最佳表示不同。
2026-09-24 cs.CL cs.LG cs.NA
Budgeted Cache Repair for Cross-Context KV-Cache Reuse
Duksung Women’s University(德成女子大学);KAIST(韩国科学技术院)
针对跨上下文KV缓存复用导致准确率下降的问题,提出预算化缓存修复(BCR),通过草稿token注意力排序并重算固定预算的缓存行,在保持缓存服务的同时恢复密集预填充准确率。
2026-10-09 cs.AR cs.CL cs.LG
Learned Queries and Keys Are All You Need: Replacing the Value Projection with Structured Transforms
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本文提出双头Transformer,用结构化变换(如WHT、DCT等)替代值投影以减少参数和缓存,在ImageNet上优于三头结构。
2026-09-30 cs.LG
HeadGuard: Selective Head Protection for Low-Bit VLM KV-Cache Quantization
CoreAI, Microsoft(微软CoreAI)
HeadGuard通过固定高精度掩码保护约1/8的KV头部,在八个VLM和八个基准上显著恢复低比特量化损失,将2比特判别性平均分从0.436提升至0.580。
2026-09-30 cs.CV cs.LG
Cache Me If You Must: Adaptive Key-Value Quantization for Large Language Models
HSE University(高等经济大学)
本文提出AQUA-KV,一种基于紧凑适配器利用键值依赖的自适应量化方法,在Llama 3.2上实现每值2-2.5比特的近乎无损压缩,显著提升压缩率并保持高精度。
2025-02-28 cs.LG
AvoKV-E: Payload-Aware KV Cache Eviction for Long Reasoning
LinkedIn Corporation(领英公司);Clemson University(克莱姆森大学);Rice University(莱斯大学);Arizona State University(亚利桑那州立大学)
AvoKV-E提出无需训练的负载感知KV缓存驱逐策略,通过延迟资格、归一化读取压力及值负载潜力排序,在严格缓存下超越现有基线,强调保留值负载以维持长推理轨迹。
2026-10-05 cs.AI cs.LG
Self-Indexing KVCache: Predicting Sparse Attention from Compressed Keys
本文提出自索引KV缓存方法,通过1位符号向量量化统一压缩与检索,减少内存开销并提升大模型推理效率。
2026-03-15 cs.AI cs.LG
AgentKV: Phase-Aware KV Eviction for Agentic LLMs
Imperial College London(伦敦帝国理工学院);Columbia University(哥伦比亚大学)
针对智能体服务KV缓存压力大且现有淘汰方法忽视阶段差异的问题,提出AGENTKV阶段感知KV淘汰方法,显著提升任务分数与吞吐量。
2026-09-15 cs.CL cs.LG
Eigen Attention: Attention in Low-Rank Space for KV Cache Compression
Purdue University(普渡大学)
提出Eigen Attention,在低秩空间进行注意力操作以压缩KV缓存,与现有技术兼容,在OPT、MPT、Llama上实现缓存大小减40%、延迟减60%,性能损失小。
2024-11-08 cs.AI cs.CL cs.LG
Grouped Value Attention: Efficient KV Caching via On-Demand Key Reconstruction
FrontiersMind
本文提出分组值注意力(GVA),通过存储分组值并利用线性映射按需重建键,减少KV缓存约45-47%的标量,在350M参数规模下达到接近GQA的基准准确率,并开发自定义解码内核以加速推理。
2026-09-16 cs.AR cs.LG
KVLinC : KV Cache Quantization with Hadamard Rotation and Linear Correction
KVLinC通过Hadamard旋转和线性校正适配器,在极低精度KV缓存量化下减少注意力误差,实现更高压缩和最高2.55倍加速推理。
2025-10-06 cs.LG
Palu: Compressing KV-Cache with Low-Rank Projection
National Yang Ming Chiao Tung University(国立阳明交通大学);University of Washington(华盛顿大学);Cornell University(康奈尔大学)
针对现有KV-Cache压缩方法无法利用KV张量隐藏维度冗余的问题,本文提出Palu框架,通过低秩投影实现隐藏维度压缩,结合多项优化技术,在保证准确率的同时显著降低内存占用并提升推理速度。
2024-11-04 cs.AI cs.LG
DiffKV: Differentiated Memory Management for Large Language Models with Parallel KV Compaction
Huawei(华为);The Chinese University of Hong Kong(香港中文大学);Shanghai Jiao Tong University(上海交通大学)
针对大语言模型KV缓存的内存瓶颈,提出DiffKV框架,利用键值、token、注意力头三层差异实现高效压缩,并通过GPU并行内存管理解决碎片化问题,实现高压缩比下的精度无损与吞吐量提升。
2025-08-30 cs.DC cs.LG
ZoomR: Memory Efficient Reasoning through Multi-Granularity Key Value Retrieval
Rensselaer Polytechnic Institute(罗切斯特理工学院);IBM Research(IBM研究院)
ZoomR通过多粒度键值检索实现内存高效的推理,减少内存使用,适用于长输出生成任务。
2026-04-13 cs.AI cs.CL cs.LG
SQuat: Subspace-orthogonal KV Cache Quantization
Red Hat AI Innovation(红帽人工智能创新)
针对KV缓存量化误差累积问题,提出无需微调与额外校准数据的SQuat子空间正交量化方法,通过约束量化误差与查询子空间正交降低对注意力的影响,实现内存降低、吞吐量提升及更优基准表现。
2025-07-28 cs.AI cs.CL cs.IT
HashEvict: A Pre-Attention KV Cache Eviction Strategy using Locality-Sensitive Hashing
University of Maryland(马里兰大学);Yale University(耶鲁大学);University of Galway(Galway大学);University of Maryland Capital One(马里兰大学Capital One)
HashEvict利用局部敏感哈希在注意力计算前快速识别并驱逐与当前查询不相似的KV缓存token,实现30%-70%的缓存压缩且保持模型性能。
2025-06-04 cs.AI cs.CL cs.DS
Don't be so Stief! Learning KV Cache low-rank approximation over the Stiefel manifold
Department of Control and Computer Engineering, Politecnico di Torino(控制与计算机工程系,托里诺理工学院);Huawei Zurich Research Center(华为苏黎世研究中心)
提出StiefAttention方法,通过在Stiefel流形上学习正交投影基并最小化解码器层输出重建误差,实现KV缓存压缩,优于现有SVD方法。
2026-05-29 cs.LG
Transactional Attention: Semantic Sponsorship for KV-Cache Retention
National Institute of Electronics and Information Technology (NIELIT)(国家电子与信息技术研究院);Indian Institute of Information Technology, Allahabad (IIITA)(阿拉哈巴德印度信息技术学院)
本文提出事务性注意力机制,通过结构锚定模式保护关键信息,实现KV缓存保留,解决现有方法在压缩时无法检索凭证的问题。
2026-04-13 cs.CL cs.LG
Loki: Low-rank Keys for Efficient Sparse Attention
University of Maryland(马里兰大学)
本文提出Loki稀疏注意力方法,利用键向量低秩特性在低维空间计算注意力分数以选择KV缓存中的令牌,从而降低数据移动和计算成本,加速LLM推理并保持模型性能。
2024-11-07 cs.LG
OVAL: Output-Aware Local Page Bases for KV Cache Retrieval
College of Connected Computing(互联计算学院);Vanderbilt University(范德比尔特大学)
针对长上下文推理中KV缓存检索,提出面向输出的页编码OVAL,利用键值联合结构提升检索准确性,无需训练,在多个基准上优于仅键基线。
2026-10-06 cs.LG
Back from the Future: Key-Value Cache Management by Counter-Causal Surprise
Metacognition AI(元认知人工智能);Australian National University(澳大利亚国立大学);Adelaide University(阿德莱德大学)
该研究针对LLM的KV缓存内存占用问题,提出基于反事实惊奇的KV驱逐方案及快速单层近似方法,在基准测试中性能优于或可与现有最优方法竞争。
2026-07-31 cs.LG
PQ-HSA: Reusing Product-Quantized Scores for Hybrid Sparse-Approximate Attention
The Hong Kong University of Science and Technology(香港科技大学);Huawei Technologies Ltd.(华为技术有限公司);Sun Yat-sen University(中山大学);Nanyang Technological University(南洋理工大学)
PQ-HSA通过复用IVF-PQ索引的近似分数,将未选词元作为背景纳入softmax,在长上下文下提升稀疏注意力精度,并实现比FlashAttention-3更快的解码速度。
2026-09-29 cs.LG
SKVQ: Sliding-window Key and Value Cache Quantization for Large Language Models
Shanghai AI Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);Houmo AI(鸿博AI);Peking University(北京大学);CUHK(香港中文大学)
针对大模型长上下文导致的 KV 缓存内存瓶颈,提出滑动窗口量化策略 SKVQ,通过通道重排、组级动态量化及保留近期窗口高精度,在极低位宽下维持精度并实现 7 倍解码加速。
2024-11-12 cs.CL cs.LG
LOOKAT: Lookup-Optimized Key-Attention for Memory-Efficient Transformers
Indian Institute of Information Technology, Nagpur(印度信息技术学院,那格浦尔)
LOOKAT通过查找优化键注意力,实现内存高效变换器的压缩,保持高保真度的同时提升计算效率。
2026-01-15 cs.AI cs.LG
CommitKV: Lifecycle-Aware KV Cache Compression via Commit Transitions for Multi-Turn Agents
Xiamen University(厦门大学);WeChat AI, Tencent Inc.(腾讯微信人工智能实验室)
CommitKV通过提交转换识别KV生命周期,区分休眠与可安全移除信息,在多轮智能体中降低内存占用、加速推理且准确率优于现有KV缓存压缩方法。
2026-08-11 cs.LG
Trust the Mass: Forced Weights in KV-Cache Eviction
Stanford University(斯坦福大学)
该研究针对KV缓存驱逐规则,通过分析168192个注意力行的最优子集情况,提出无需训练的分配器ContourKV,其在配对比较中表现优于多数现有技术,且与最强基线持平。
2026-11-06 cs.CL cs.LG
KIVI: A Tuning-Free Asymmetric 2bit Quantization for KV Cache
Rice University(莱斯大学);Texas A&M University(德克萨斯农工大学);Stevens Institute of Technology(史蒂文斯理工学院);Carnegie Mellon University(卡内基梅隆大学)
针对大型语言模型中KV缓存内存瓶颈,提出免调优非对称2比特量化算法KIVI,通过分析元素分布对key和value分别采用按通道和按token量化,在保持质量的同时显著降低内存占用并提升吞吐量。
2024-07-25 cs.CL cs.LG cs.PF
Shared Global KV with Layer-Specific Local History
本研究探讨在仅解码器Transformer中,共享全局KV缓存时保留层特定局部历史的价值,发现局部历史能降低困惑度,并提出了减少上层构建工作的后缀调度方法。
2026-09-24 cs.LG
H1B-KV: Hybrid One-Bit Caches for Memory-Efficient Large Language Model Inference
Rutgers University(罗格斯大学)
本文提出H1B-KV混合一位缓存,通过键的1位二进制草图和值的4位量化,将70亿参数LLM的8k上下文缓存内存减少70倍,并匹配全精度性能,优于现有量化、驱逐和草图方法。
2025-10-07 cs.CL cs.LG
CORAL-KV: Compact Cross-Layer Prediction and Residual Coding for Autoregressive Video KV Caches
Advanced Micro Devices Inc. (AMD)(超威半导体公司);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
该研究针对自回归视频扩散模型的KV缓存内存瓶颈,提出Coral-KV跨层预测残差编码框架,在HY-WorldPlay、MAGI-1等数据集上相比QVG系列方法,实现了PSNR提升与缓存内存减少的双重效果,还降低了时间不连续性。
2026-10-12 cs.CV cs.LG
SPECTRA: Pushing the KV Cache Beyond the 2-Bit Cliff via Spectral Transform Coding
Nokia(诺基亚);Rice University(莱斯大学)
SPECTRA是一种无需训练的KV缓存压缩编解码器,通过谱变换编码将比特预算集中于关键通道,在Llama-3.1-8B等模型上实现最高12倍压缩,突破2比特极限,提升长上下文处理能力
2026-08-11 cs.LG
Spend Bits Where Queries Look: KV Cache Vector Quantization with Attention-Preserving Transforms
University of Southern California(南加州大学)
本文提出名为NOVA-KV的KV缓存量化方法,将其建模为变换编码问题,推导闭式最优变换,在每元素2比特时可恢复标量量化方法损失的大部分长上下文检索精度。
2026-08-06 cs.AI cs.IT cs.LG
Sparse Attention as a Range Searching Problem: Towards an Inference-Efficient Index for KV Cache
Department of Computer Science(计算机科学系);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
本文提出Louver索引,通过将稀疏注意力重新表述为半空间范围搜索问题,解决KV缓存检索中的准确性和效率问题,实验表明其在精度和运行时间上优于现有方法。
2026-05-11 cs.LG
Fractal KV-Cache Archives: Lossless Symbolic Storage with In-Place Retrieval for Long-Context LLM Inference
Independent Researcher(独立研究者)
研究长上下文语言模型推理中KV缓存的存储问题,提出用分形KV缓存存档方法,该方法无损、线性时间运行且支持随机访问与追加,经实验验证能大幅减少存档缓存,还兼具搜索索引功能,发布代码可重现结果。
2026-08-07 cs.LG
TokenButler: Token Importance is Predictable
Cornell University(康奈尔大学);Intel Labs(英特尔实验室)
TokenButler通过高粒度查询感知预测器识别关键令牌,减少KV缓存瓶颈,提升解码效率与准确性。
2026-05-14 cs.AI cs.CL cs.LG
Sliding-window beats linear attention
Microsoft(微软公司);Applied Sciences Group (ASG)(应用科学集团(ASG))
本研究对比发现,带汇点的滑动窗口注意力(SWA)性能优于后训练的线性注意力模型,在长上下文推理任务中性能高2-10倍,且无需后训练、成本低,推荐用SWA替代线性注意力模型。
2026-10-06 cs.CL cs.LG
SAFE-KV: Causal Suffix Repair for Behavior-Preserving Non-Prefix KV Cache Reuse in RAG
Carnegie Mellon University(卡内基梅隆大学)
SAFE-KV针对RAG中非前缀KV缓存复用的行为保留问题,通过重新编码因果后缀修复组合缓存,在Qwen2.5-7B-Instruct上大幅提升了HotpotQA-500和2Wiki-500的答案恢复率。
2026-10-14 cs.CL cs.LG
Read What Matters: Query-Adaptive Quantization for KV Caches
Amazon(亚马逊);University of California, Berkeley(加州大学伯克利分校)
该研究提出ReadKV方法,通过查询自适应分配KV缓存的渐进式编码前缀,在降低读取成本的同时保持模型性能,在长上下文任务上延迟显著低于TurboQuant。
2026-10-09 cs.CL cs.LG cs.PF
Fast KV Compaction via Attention Matching
Massachusetts Institute of Technology(麻省理工学院)
提出通过注意力匹配在潜在空间快速压缩键值缓存的方法,以保持注意力输出并实现高达50倍压缩且质量损失小。
2026-05-26 cs.LG
Linear Predictability of Attention Heads in Large Language Models
Georgia Institute of Technology(佐治亚理工学院);Santa Clara University(圣克拉拉大学)
研究发现预训练Transformer中注意力头激活存在线性结构,通过少量参考头可高精度重建目标头,利用此特性可减少KV缓存并提升效率。
2026-03-04 cs.LG
Precomputing the Future-Offset Average in TriAttention
Hozhoke, Inc.(霍佐克公司)
研究针对三注意力机制缩减长推理语言模型键值缓存时未来距离平均计算繁琐的问题,提出利用代数恒等式将17倍平均简化为单波段权重离线计算,使键评分成本降低,是对原方法的精确补充。
2026-07-16 cs.DS cs.LG
TriAxialKV: Toward Extreme Low-Precision KV-Cache Quantization for Agentic Inference Tasks
University of Cambridge(剑桥大学);Imperial College London(伦敦帝国学院)
本文提出TriAxialKV,一种混合精度的KV缓存量化方案,通过为每个token分配三轴标签,校准每种标签的敏感性,并在固定内存预算下分配INT2/INT4位宽,以提高代理推理任务的效率和吞吐量。
2026-05-16 cs.LG
Trellis: Learning to Compress Key-Value Memory in Attention Models
Google Research(谷歌研究)
Trellis通过动态压缩键值内存提升注意力模型的效率与长上下文处理能力
2025-12-29 cs.CL cs.LG
Accelerating String-Key Learned Index Structures via Memoization-based Incremental Training
KAIST(韩国科学技术院);Georgia Tech(佐治亚理工学院)
针对字符串键学习型索引重训练开销大的性能瓶颈,提出算法-硬件协同设计的SIA系统,通过基于记忆化的增量训练复用未更新键的分解结果,并结合FPGA加速训练,在真实基准上实现了显著的吞吐量提升。
2024-03-18 cs.AR cs.DB cs.LG