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 AbridgeKV 在 vLLM 中的实现改动涉及哪些模块？10 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10

AI 答案

资料有限基于 2 条来源 · 引用可点击溯源

现有资料只能给出零散线索，不足以系统回答「这类方法在 vLLM 上落地的主要工程障碍」——两篇摘要都只正面描述了 vLLM 侧的收益，没有明确列举障碍。以下是资料中能确认的部分： 1. 长上下文投机解码（资料[1]）

问题根源：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。
其方案是推理期机制：限制注意力缓存 + 重定位旋转位置索引，冻结短上下文草稿器、不改权重1。
与 vLLM 的关系：摘要称「vLLM 侧单一配置即可覆盖 4k 到 2M token」1，暗示落地形态是配置项而非改模型；但摘要未说明该配置与 vLLM 现有 PagedAttention/前缀缓存、调度器的兼容细节，也未提及具体障碍。

2. KV 缓存压缩（资料[2]）

机制：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，释放原始缓存，后续 token 改为关注这些 pause token2。
收益：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2。
隐含的工程含义：需要模型侧训练 pause token2，属于「训练+推理」联合改造，而非纯推理期开关；但摘要未展开其在 vLLM 中的实现改动点。

结论：资料可确认两类方法分别走「纯推理期配置」1 与「训练可学习 token + 缓存替换」2 两条路线，且都声称在 vLLM 上有收益；但具体工程障碍（如缓存管理、调度、批处理兼容性）在两篇摘要中均未提及，需查阅原文或补充资料。

继续追问

资料[1]的「限制注意力缓存 + 重定位旋转位置索引」在 vLLM 中具体改动了哪些模块？AbridgeKV 的 pause token 方案在 vLLM 的 PagedAttention 下如何管理 KV 块？这两类方法能否与 vLLM 的前缀缓存（prefix caching）和连续批处理共存？

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·5 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·5 天前

#kv-cache