llama.cpp 新的动态 KV 缓存 VBR
old-mike · reddit · 2026-07-14
这条帖子在介绍 spiritbuun 的 llama.cpp fork 新特性 VBR（Variable Bit Rate）KV cache：
- 不再为整个上下文使用固定 KV 量化档位，而是设置一个 floor，缓存会随着上下文增长逐级降档。
- -ct vbr 会根据剩余显存自动推算可用 KV 预算，并在 decode 过程中动态降档。
- 作者在 RTX 3060 12GB 上实测，和固定档位方案相比：
- Decode TPS 只慢约 4%
- TTFT 减半左右
- 显存占用更低
- 自动适配到约 216k tokens 上下文
- 文章也提到一个 fused kernel 的 bug，作者已回退相关 commit。
「Infra」频道最新
- 实测戳破 RTK 省钱神话:token 省了,账单分文未降 — Bartaseth · 2026-09-11
- SF Compute 创始人：现在买算力是「绝对糟糕的体验」 — IgorCarron · 2026-09-11
- 开源 SmolVM:2026 年 Agent 不止用浏览器,而是拥有整台电脑 — aniketmaurya · 2026-09-11
- PyTorch Day Korea 2026 首届线下大会启动,9月13日截止征集演讲 — PyTorch · 2026-09-11
- 本地跑 LLM 选卡:4 张 CMP-170HX 涨价 vs Mac Studio M5 — rumboll · 2026-09-11
- llama.cpp 为 RDNA4 调优 Flash Attention,大上下文提升明显 — pmttyji · 2026-09-11