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
2 条 · 点击可看原文全文与中文译文
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。
RoLaQ 是一种面向多头潜在注意力（MLA）的离线校准方法，通过联合优化子空间旋转与量化范围，将 KV 缓存压缩至 2 比特。它在三个 MLA 模型、六个基准上取得同类 2 比特方法最高平均精度，并在 DeepSeek-V2-Lite 上实现 3.96 倍 KV 容量与 2.51 倍解码吞吐，显著降低长上下文推理显存开销。
现有资料不足以回答该问题——两条资料都只涉及 KV cache 压缩，均未提及与投机解码（speculative decoding）的叠加评估，也没有给出任何联合基准或实验设置。 资料中能确认的部分：
因此，关于「同时评估投机解码与 KV cache 压缩叠加效果」的公开基准或实验设置，这两条资料无法提供任何可引用的结论；需要补充检索专门讨论 speculative decoding 与 KV cache 压缩/量化联合优化的论文或基准。