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
- 推理服务商自造挤利润的市场：出路只有每 GPU 小时榨出更多 token — AccBalanced · 2026-10-27
- EMNLP Oral 论文：免训练 KV 缓存驱逐实现 10 倍内存压缩 — yuz9yuz · 2026-10-27
- 投资机构向小型 neocloud 放短期 GPU 贷款，瞄准低价收抵押卡 — AccBalanced · 2026-10-27
- Anthropic S-1 揭算力困局：多年锁量承诺对撞波动需求与硬件迭代 — AccBalanced · 2026-10-27
- Meta OCP 峰会晒 AI 网络家底:102.4T 液冷交换机、两层的 Flattened Planar Fabric — Meta_Engineers · 2026-10-27
- huggingface_hub 2.3.0 发布：百万文件列取从分钟级降到 20 秒 — lhoestq · 2026-10-27