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「具体如何通过配置启用」这一问题——资料1只说明该机制在 vLLM 侧由「单一配置」覆盖 4k 到 2M token1，但未给出任何配置项名称、参数值或启用步骤；资料2与 vLLM 配置无关，仅报告了缓存压缩后的效果（单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍）2。资料中能确认的部分：

机制内容：论文提出无需训练长上下文草稿模型，冻结短上下文草稿器，通过两个推理期机制——限制注意力缓存、重定位旋转位置索引——让其在 200 万 token 下保持短上下文时的加速比，且无需改动权重1。
启用粒度：作者称在 vLLM 侧「单一配置即可覆盖 4k 到 2M token」1，即不需要按上下文长度分别调参，但该配置的具体形式未在摘要中披露。
动机：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1。

如需落地，建议直接查阅论文原文的实现在 vLLM 中的配置说明部分；摘要层面无法给出可执行的配置片段。

继续追问

论文原文中该 vLLM 配置项的具体名称和取值是什么？「限制注意力缓存」与「重定位旋转位置索引」分别对应 vLLM 的哪些内部机制？该方案与 AbridgeKV 的 KV 缓存压缩在长上下文场景下能否叠加使用？

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