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「vLLM 中为长上下文场景配置投机解码草稿模型」的具体配置方法（如参数名、配置文件写法、启动命令）。资料中没有任何 vLLM 配置项、代码或命令层面的细节，只有一篇论文的机制性描述。以下仅列出资料能确认的部分：

问题定位：在超长上下文下，投机解码的加速效果会消失，原因是草稿模型必须处理完整前缀1。
论文给出的思路：不需要训练长上下文草稿模型，而是冻结一个短上下文草稿器，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——让它在 200 万 token 下仍保持短上下文时的加速比，且无需改动权重1。
与 vLLM 的关系：论文称该方案在 vLLM 侧只需单一配置即可覆盖 4k 到 2M token1，但资料未给出该配置的具体内容。
另一条资料（AbridgeKV）与投机解码草稿模型配置无关：它讲的是把长推理文本压缩进可学习 pause token 的 KV 条目以释放缓存，在 vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍2，属于 KV 缓存压缩方向，不能作为草稿模型配置依据。

如需落地配置，建议直接查阅该论文原文（arXiv 2610.20865）中的实现与配置章节1。

继续追问

论文中提到的『限制注意力缓存』和『重定位旋转位置索引』具体如何实现？该方案在 vLLM 中的『单一配置』具体是哪个参数或配置项？短上下文草稿器在 2M token 下的加速比实测数据是多少？

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