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
- Galaxy S26 纯端侧跑 MiniMax H3：7 分钟生成 5 秒带音频视频 — BidFunny4862 · 2026-10-27
- Unconventional AI 收购 NeuReality,冲刺算力效率提升 1000 倍 — NaveenGRao · 2026-10-27
- 马斯克断言:机器人 RAM 需求将超其他一切,超级智能算力将移向深空 — elonmusk · 2026-10-27
- RTX 5090 卖到 7000 美元，PC 游戏社区集体否认 AI 热潮 — PAstynome · 2026-10-27
- Wan2GP 上架 Pinokio：6GB 显存一键跑 AI 视频生成 — cocktailpeanut · 2026-10-27
- AWS 详解 Agent 提示缓存：显式+隐式双模式省下重复 token 账单 — AWS ML Blog · 2026-10-27