llama.cpp 的 OSCAR2 KV Cache 基准
giveen · reddit · 2026-07-19
OSCAR2 在 llama.cpp 的 KV Cache 基准
作者在 RTX 5090 上测试了 llama.cpp 的 oscar2 KV cache 方案，并与 f16/f16、q20/q20 做对比。对 Qwen3.6-27B 来说，oscar2/oscar2 的生成速度约为 42 t/s，比 q20 快约 35%，同时接近 f16 的性能水平。
他还测试了不同上下文长度下的表现：从 4K 到 1M，oscar2 的生成速度基本保持平坦，没有明显退化；而 f16 在更长上下文下会很快 OOM，oscar2 则还能继续运行。整体结论是：这个 cache 方案在长上下文场景里兼顾了速度和显存占用。
「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