FP4 KV cache 几乎不占显存?推理工程师热议激进压缩方案
stochasticchasm · x · 2026-09-11
有工程师讨论一种激进的推理优化:FP4 KV cache 无明显质量退化,配合通过 CSA 压缩 KV,使模型几乎不占 KV cache 空间。
作者跟帖补充:单次请求仍需在 HBM/内存中用 KV cache 完成推理,但请求之间若 KV 占用巨大,不如直接重新 prefill——在 50 万上下文级别这点算力开销可忽略不计。他推测推理工程师会围绕 kernel 归约顺序等细节展开不少优化工作。
所属事件:DeepSeek V4.1 Flash 技术报告流出：死磕 KV cache 压缩(44 条相关)→
「Infra」频道最新
- DeepSpeed 发布 AutoEP/AutoTP 等并行化进展并办线上答疑 — PyTorch · 2026-10-27
- Cloudflare Durable Objects 被验证为 AI agent 高并发场景优选架构 — tristanbob · 2026-10-27
- Gary Marcus:补上 Q3 数据后，Anthropic 算力效率增速现拐点 — GaryMarcus · 2026-10-27
- 推理社区与 K8s 社区高度重合：万亿市场的 Kubernetes 翻版 — matt_slotnick · 2026-10-27
- vLLM 考虑将更多栈迁往 Rust，推理引擎 Rust 化成趋势 — AccBalanced · 2026-10-27
- 同一套 DeepSeek 内核两种优化路线：vLLM 拆专家、SGLang 降访存 — AccBalanced · 2026-10-27