AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 2 条来源 · 引用可点击溯源

现有资料不足以回答「vLLM 中投机解码的具体配置方法」——两条资料都没有给出 vLLM 的配置参数名、命令行示例或代码片段。资料中能确认的只有与投机解码相关的两点间接信息：

长上下文下投机解码的加速会消失：原因是草稿模型需要处理完整前缀1。
存在一种推理期方案可让短上下文草稿器在长上下文下保持加速：冻结短上下文草稿器，通过「限制注意力缓存」和「重定位旋转位置索引」两个推理期机制，在 200 万 token 下保持短上下文时的加速比，且无需修改权重；论文称 vLLM 侧「单一配置即可覆盖 4k 到 2M token」1——但资料未说明该配置项的名称与写法。

另一条资料 2 讨论的是 KV 缓存压缩（AbridgeKV），与投机解码配置无关，仅可作为 vLLM 中缓存优化的旁证：单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍2。如需具体配置步骤，建议补充 vLLM 官方文档或相关示例代码作为资料。

继续追问

vLLM 中投机解码的 `--speculative-model` 等参数具体怎么填？长上下文场景下投机解码加速消失的机制是什么？限制注意力缓存与重定位旋转位置索引这两个机制具体如何实现？

参考来源

2 条

1站内Long-Context Drafting Does Not Require Long-Context Drafters论文指出超长上下文下投机解码的加速会消失，因为草稿模型需处理完整前缀。作者提出无需训练长上下文草稿模型：冻结短上下文草稿器，通过限制注意力缓存和重定位旋转位置索引两个推理期机制，让其在200万token下保持短上下文时的加速比，无需改权重，vLLM侧单一配置即可覆盖4k到2M token。arXiv cs.LGhttps://arxiv.org/abs/2610.20865 2站内AbridgeKV: Compressing Long Reasoning into the KV Cache of Learned Pause TokensAbridgeKV 训练模型把已完成的长推理文本块压缩进少量可学习 pause token 的 KV 条目，从而释放原始缓存，后续 token 改为关注这些 pause token。在 AIME 等 446 道竞赛题、32K 生成下，仅保留四分之一缓存即可匹配全 KV 模型精度，vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍。arXiv cs.CLhttps://arxiv.org/abs/2610.20641

AI 答案正在检索与综合…

站内相关条目

2 条 · 点击可看原文全文与中文译文

返回信息流

部署

Long-Context Drafting Does Not Require Long-Context Drafters

论文指出超长上下文下投机解码的加速会消失，因为草稿模型需处理完整前缀。作者提出无需训练长上下文草稿模型：冻结短上下文草稿器，通过限制注意力缓存和重定位旋转位置索引两个推理期机制，让其在200万token下保持短上下文时的加速比，无需改权重，vLLM侧单一配置即可覆盖4k到2M token。

部署与算力·arXiv cs.LG·4 天前

#speculative-decoding

部署

AbridgeKV: Compressing Long Reasoning into the KV Cache of Learned Pause Tokens

AbridgeKV 训练模型把已完成的长推理文本块压缩进少量可学习 pause token 的 KV 条目，从而释放原始缓存，后续 token 改为关注这些 pause token。在 AIME 等 446 道竞赛题、32K 生成下，仅保留四分之一缓存即可匹配全 KV 模型精度，vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍。

部署与算力·arXiv cs.CL·4 天前

#kv-cache