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

现有资料不足以回答「vLLM 中启用投机解码需要哪些配置项」以及「官方文档在哪里」这两个核心问题。资料中能确认的相关信息仅有：

资料 1 讨论的是超长上下文场景下投机解码加速失效的问题，提出冻结短上下文草稿器、通过限制注意力缓存与重定位旋转位置索引两个推理期机制来恢复加速比，并提到「vLLM 侧单一配置即可覆盖 4k 到 2M token」1。但该摘要并未给出这个配置项的名称、取值或具体写法，也没有指向 vLLM 官方文档。
资料 2 与投机解码的配置无关，它讲的是把长推理压缩进 pause token 的 KV 缓存以缩小缓存占用，仅提到 vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍2。

因此，关于具体的配置项清单（如草稿模型指定、投机 token 数等）和官方文档链接，资料中没有任何可引用的内容，无法给出。建议直接查阅 vLLM 官方文档的 speculative decoding 章节，或补充相关资料后再问。

继续追问

vLLM 投机解码的官方文档地址和配置示例是什么？资料[1]提到的「vLLM 侧单一配置」具体是哪个参数？长上下文下投机解码加速消失的原因和缓解机制细节是什么？

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