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

范围：站内优先仅站内全网全网通道：bing

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

现有资料不足以完整回答「该方法在 vLLM 中的实现改动涉及哪些模块」这一问题——两篇资料都只给出了效果层面的描述，没有列出具体的代码模块、文件或接口改动清单。能确认的部分如下： 若「该方法」指长上下文投机解码方法（资料[1]）

核心思路是冻结短上下文草稿模型、不改权重，仅通过两个推理期机制实现：限制注意力缓存、重定位旋转位置索引1。
在 vLLM 侧，该方法被描述为「单一配置即可覆盖 4k 到 2M token」1，即改动被封装为配置项而非新的模型结构，但资料未说明该配置落在哪个模块（如 scheduler、attention backend、KV cache 管理或 RoPE 实现）。

若「该方法」指 AbridgeKV（资料[2]）

该方法训练模型把长推理文本块压缩进少量可学习 pause token 的 KV 条目，后续 token 改为关注这些 pause token2。
在 vLLM 中体现为单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍2，但同样未披露涉及哪些模块的改动。

结论：两篇摘要均未提供模块级实现细节，无法据此列出改动清单。建议查阅论文正文的实现/工程章节，或确认「该方法」具体指哪一篇。

继续追问

资料[1]中限制注意力缓存与重定位旋转位置索引，在 vLLM 里通常需要改哪些组件？AbridgeKV 的 pause token KV 压缩在 vLLM 中如何与 PagedAttention 的块管理兼容？这两篇论文是否公开了代码或 vLLM 分支？

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