KVarN让27B长上下文更省显存
logickkk1 · hn · 2026-07-15
这条帖子分享了一个把 KVarN 结构化 KV cache 量化移植到 Bonsai 运行时的实测结果，目标是在长上下文下同时降低显存占用并提升生成速度。
核心结论
- 在 Bonsai-27B Q10、120K context、RX 9070 XT 上：
- q80 cache：43.4 tok/s，总显存约 13.1GB
- kvarn4 cache：73.0 tok/s，总显存约 9.8GB
- 相比原方案，作者声称带来 +68% 速度，并节省约 3.3GB VRAM。
方法
- KVarN 基于 KIVI 与 QuIP# 的思路。
- 通过 Walsh-Hadamard 变换 和 Sinkhorn 方差均衡 再做量化，试图减少低比特 KV cache 带来的质量损失。
实战观察
- 作者认为这种方案在需要 长上下文 retention 的场景更有价值。
- 他对比了 TurboQuant，认为后者虽然更快，但质量风险更大。
- 也提到这个改法会 100% 破坏 DFlash，但对他的使用场景影响不大。
复现信息
- 作者把方案移植到了 Bonsai runtime，改动约 23 个文件 / 1300 行。
- 建议在 Bonsai 或类似 dense model 长上下文推理里尝试：--cache-type-k kvarn4 --cache-type-v kvarn4。
「Infra」频道最新
- 从聊天到 Agent,推理延迟正在成为生产级瓶颈 — Euphoric_Sea632 · 2026-09-11
- 推理服务关键指标盘点:流式速度 TPOT 与可用性如何影响体验 — abhijithneil · 2026-09-11
- PlanetScale 推出分片 Postgres,768 台服务器组成 1PB 单库 — dhruv2038 · 2026-09-11
- 7900 XTX 24GB 能否跑 Qwen，Reddit 征集 ROCm 实测数据 — thenomadexplorerlife · 2026-09-11
- 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