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

现有资料不足以回答该问题。资料1只说明论文提出了「限制注意力缓存」和「重定位旋转位置索引」两个推理期机制，并称「vLLM 侧单一配置即可覆盖 4k 到 2M token」1，但摘要中没有给出这两个机制在 vLLM 中对应的具体参数名（如 max_model_len、enable_chunked_prefill、RoPE scaling 相关字段等均未被提及）。资料2讨论的是把长推理压缩进 pause token 的 KV 条目、缩小单序列缓存 3.5 倍2，与上述两个机制无关，也无法提供参数映射。资料中能确认的部分：

两个机制均为推理期机制，不需要修改模型权重，冻结短上下文草稿器即可在 200 万 token 下保持短上下文时的加速比1；
论文声称在 vLLM 侧只需单一配置即可覆盖 4k 到 2M token 的上下文范围1。

若需要具体参数名，建议查阅该论文正文或其代码仓库的配置说明。

继续追问

论文中「限制注意力缓存」具体是限制哪一类缓存（KV cache 容量、滑窗还是分页块数）？「重定位旋转位置索引」是否等价于 RoPE 位置插值/缩放，与 vLLM 的 rope_scaling 配置是什么关系？该方法的加速比在 4k 与 2M token 下分别是多少，与基线相比如何？

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