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 中对应哪些具体实现改动」这一问题。资料1只说明这两个机制属于推理期机制、无需改动模型权重，并且「vLLM 侧单一配置即可覆盖 4k 到 2M token」1；但资料没有给出任何具体的代码路径、配置项名称、模块名或补丁细节。资料2虽然提到 vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍2，但那是另一篇工作（AbridgeKV，把推理压缩进 pause token 的 KV），与1的「限制注意力缓存 + 重定位旋转位置索引」不是同一机制，不能用来推断1的实现改动。资料中能确认的部分：

机制性质：这两个机制都是推理期机制，冻结短上下文草稿器、不改权重1。
目标效果：让短上下文草稿器在 200 万 token 下保持短上下文时的投机解码加速比1。
部署形态：vLLM 侧通过单一配置覆盖 4k 到 2M token 的区间1。

至于「限制注意力缓存」具体是限制草稿器的 KV 窗口还是驱逐策略、「重定位旋转位置索引」如何改写 RoPE 位置编号，资料均未展开，无法据此给出实现层面的对应关系。

继续追问

资料[1]的论文里，限制注意力缓存具体是窗口截断还是 KV 驱逐？重定位旋转位置索引在实现上如何与 RoPE 的 position_ids 交互？vLLM 侧那个「单一配置」具体是哪个配置项？

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