發(fā)布日期：2026-06-04 17:54 點擊次數(shù)：180
長高下文模子越來越能"記"，但真實讓它們跑到線上時，來源頂不住的往往不是算力，而是KV Cache。
每生成一個新 token，模子都要回讀越來越長的歷史 Key 和 Value。高下文越長、batch 越大，KV Cache 對顯存容量和顯存帶寬的豪侈就越彰著。
這亦然為什么 KV Cache 量化成了長高下文 serving 的中樞問題：壓得不夠，顯存撐不住；壓得太狠，推理質地又容易崩。
Together AI、悉尼大學和 UIUC 的琢磨團隊，為此建議了一種面向真實 serving 的 2-bit KV Cache 量化決議——OSCAR。
模子不再僅僅把 K/V 張量壓小，而是圍繞 attention 真實會使用的標的來作念旋轉、編著和分組，讓量化過失盡量滅絕模子最明銳的部分。
在約 2.28 effective bits per KV element 的預算下，OSCAR 仍能接近 BF16；在 Qwen3-4B-Thinking 上，比較全層 3-bit K/V TurboQuant，最高提高 40.1 分。
這意味著，KV Cache 壓縮不再僅僅"少占顯存"，而是啟動插足真實長高下文作事系統(tǒng)的瞎想中樞。
不是更會"壓縮向量"，而是啟動保護 attention
往時許多 KV Cache 量化體式，存眷的是怎樣更好地回復 K/V 向量自己。
但在低比特場景里，這個策動并不老是等價于更好的生成質地。
原因很平直：attention 真實消費的是 Key 和 Query 之間的匹配有計劃，以及 Value 被防衛(wèi)力權重加權后的輸出。K/V 重建過失看起來不大，并不代表 attention logits、attention block output 和后續(xù) hidden state 不會被放大偏移。
2-bit INT 唯有 4 個沖破等第，而 KV activation 中又常常存在少數(shù)幅值很大的 outlier channel。
若是量化軌范被這些極點通談牽著走，大部分正常值會被擠到很窄的區(qū)間里，attention 散播也會隨著偏。
平淡 Hadamard 旋轉不錯把 outlier 打散，卻不知談哪些標的對 attention 更要害。
OSCAR 的中樞變化就在這里：
它不再只問"奈何把 K/V 向量回復得更像"，而是問"奈何讓 attention 讀到的要害信息盡量不變"。
△只用 K/V 重建過失，容易低估真實過失傳播 OSCAR 把旋轉瞄準 attention
OSCAR 的體式不錯空洞成一句話：
用 attention-aware covariance 來決定 K/V 應該奈何旋轉。
具體到Key，量化過失和會過 QK ?插足 attention logits，因此 OSCAR 使用 query covariance，也即是 Q ? Q，來決定 Key 的旋轉標的。
具體到Value，過失會先被 attention score 加權，再插足 attention 輸出，因此 OSCAR 使用 score-weighted value covariance，也即是 V ? S ? SV，來決定 Value 的旋轉標的。
離線校準階段，系統(tǒng)用少許樣本計算每一層、每一個 head 的這些 covariance，并生成固定的旋轉矩陣和 clipping 閾值。
推理階段，這些參數(shù)平直復用，不需要任務級微調，也不需要在線學習。
最終旋轉不錯寫成：
R=U · Hadamard · bit-reversal
其中，U 穩(wěn)當對皆 attention 有關標的，Hadamard 用來攤平 outlier 能量，bit-reversal 讓 INT2 分組更平衡，幸免某個 group 被少數(shù)很是通談主導。
也即是說，OSCAR 不是爽直"加一個旋轉"，而是把旋轉、編著和分組都放進 attention 質地這個策動里。
△從離線校準到在線推理的 pipeline
OSCAR 的另一個要害點，是它莫得停留在離線量化評測里。
它如故接入 SGLang 的作事旅途，在運行時轉機一個三段式 token pool：
亞搏體育中國一站式服務官網BF16 sink（64 tokens）｜INT2 history｜BF16 recent（256 tokens）
開頭的 attention sink token 和最近窗口 token 不絕用 BF16 保存，用來保護 attention sink 與最近高下文。
中間最長、占比最大的歷史 KV，則保存為旋轉和編著后的 INT2。
新 token 會先寫入 recent window。隨著解碼鼓勵，最老的 recent token 會被理會 Triton kernel 處理，完成 rotate、clip、quantize 和 pack，然后左遷插足 INT2 history。
存儲上，每 4 個 2-bit 數(shù)值被打包進 1 個 byte。
decode 階段，OSCAR 在 GPU 上區(qū)分處理 BF16 段和 INT2 段：
INT2 kernel 穩(wěn)當 unpack、scale/zero point 反量化以及浮點累加；BF16 kernel 處理 sink/recent；終末再通過 online softmax merge 團結兩部分紅果。
由于它兼容 paged KV、radix prefix cache 和 SGLang 的 fused kernel pipeline，OSCAR 面向的是可部署的長高下文 workload，而不是只展示漂亮的離線準確率。
小模子也能守住高難推理
論文在 Qwen3-4B-Thinking、Qwen3-8B、Qwen3-32B 和 GLM-4.7-FP8 上作念了評估。
任務秘密 GPQA、HumanEval、LiveCodeBench v6、AIME25 和 MATH500，最永生成長度達到 32K，況且每個建樹運行 5 次取平均。
成果清楚，百家樂IOS/安卓通用版/手機APP下載在約 2.28BPE 下，OSCAR 的精度仍然絕頂接近 BF16。
以Qwen3-4B-Thinking為例：
TurboQuant mean 為 31.74，QuaRot-INT2 唯有 1.40，Naive INT2 為 0.00；OSCAR 達到 71.86，距離 BF16 只差 3.78，況且比 TurboQuant 高 40.1 分。
在 Qwen3-8B 上，OSCAR mean 為 69.42，BF16 為 70.84，TurboQuant 為 56.88。
到了 Qwen3-32B 和 GLM-4.7-FP8，OSCAR 與 BF16 基本捏平。
這構成果背后的含義，比單個榜單數(shù)字更病篤：
當任務真實依賴長鏈推理、代碼生成和數(shù)學推導時，低比特 KV Cache 的中樞瓶頸不是"能不可壓"，而是壓縮過失會不會鹵莽 attention 的要害旅途。
OSCAR 的上風，恰是讓接近 2-bit 的預算仍然守住推理質地。
論文還成心看了AIME25這個高難數(shù)學推理任務，并加入 KIVI-KV2、Kitty 和 OSCAR 的對比。由于 KIVI 和 Kitty 莫得可平直用于 long context run 的 framework 扶持，論文中式了它們獨一在 32K 下陳說的 AIME25 成果。
在 Qwen3-8B 上，OSCAR 以 2.38 BPE 達到 66.67，險些追平 BF16 的 66.00，并彰著高于 KIVI-KV2 與 Kitty。
在 Qwen3-32B 上，OSCAR 達到 74.00，略高于 BF16 的 72.59，也進步 Kitty 的 69.26。
這證實，OSCAR 的上風不單體當今與 TurboQuant 的比較中。在現(xiàn)存 KV Cache 量化體式里，它也能以接近 2-bit 的預算守住繁重數(shù)學推明智力。
但對 serving 系統(tǒng)來說，精度僅僅第一關。真實上線時，還要看顯存、帶寬、batch、prefix cache，以及端到端籠統(tǒng)。
OSCAR 在系統(tǒng)層面的收益也很平直：
比較 BF16 history storage，OSCAR 不錯把 KV Cache memory 縮小約 8 倍。
在 100k context、batch-size-1、full prefix-cache hit 的拓荒下，decode 最高約 3 倍加快。
在大 batch 且顯存預算固定時，job-level throughput 最高約 7 倍。
這背后的邏輯很直白：當歷史 KV footprint 變小，系統(tǒng)就能在雷同顯存預算下容納更長高下文、更大 batch，梗概更多并發(fā)肯求。
prefix cache 擲中率越高，KV Cache 壓縮帶來的收益越容易滾動為籠統(tǒng)提高。
關于分享系統(tǒng)領導、多輪 Agent、器具調用鏈路這類長前綴高復用場景，這一絲尤其病篤。
其實若是把 OSCAR 放在 KV Cache 量化的發(fā)展頭緒里看，最病篤的不是它又把 bit 數(shù)壓低了一絲。
更要害的是，它把 2-bit KV Cache 的問題從"向量壓縮"鼓勵到了" attention 質地"和" serving 系統(tǒng)"共同瞎想。
許多低比特體式為了保分，會把第一層、終末一層或多少明銳層保留在更高 bit。這天然能減少精度耗損，但也會舉高平均 bit 數(shù)，并讓 kernel 和 cache layout 更復雜。
OSCAR 的設定更接近真實作事：歷史 KV 主體斡旋使用 INT2，只在 sink 和 recent 兩個很小窗口保留 BF16。
這讓它更容易接進 paged cache、prefix cache 和批量調度。
為什么這對長高下文 Agent 很病篤
真實 Agent 往往包含很長的系統(tǒng)領導、器具證實、歷史對話和檢索實質。不同肯求之間，還會存在大都分享前綴。
若是 KV Cache 全部使用 BF16，顯存很快會成為天花板。若是平直上樸素 INT2，推理鏈條又可能失真。
OSCAR 給出了一種更系統(tǒng)的折中：長歷史用 INT2 降容量和帶寬；要害 sink/recent 用 BF16 保褂訕；再讓 prefix cache 復用分享前綴。
這也講明了為什么 attention-aware rotation 值得被單獨建議。
它不是一個更花哨的旋轉手段，而是在從頭界說低比特 KV Cache 的優(yōu)化策動：壓縮不是看法，讓模子在壓縮后仍然能正確使用防衛(wèi)力機制，才是看法。
誠然，TurboQuant 仍是很強的通用 online vector quantization 體式，OSCAR 則更專注于 attention-aware 的 2-bit KV serving。
兩者并不一定只可二選一。
OSCAR 刻下 code repo 中如故把 attention-aware rotation 與更強的 Lloyd Max codebook 勾通，把壓縮率不絕往極限推。
OSCAR 帶來的要害啟發(fā)是：2-bit KV Cache 若是要真實上線，旋轉不可只追求"有"，而要瞄準 attention。
同期，它也必須被放進真實 serving 系統(tǒng)里通盤瞎想。
不外天然刻下 OSCAR 如故秘密多個模子限制和多類推理任務，但真實線上 workload 更復雜。翌日仍需要在更多模子架構、硬件環(huán)境、prefix cache 擲中形狀、多佃戶請乞降尾蔓延場景中不絕考證。
此外，OSCAR 重心處置的是 attention-aware rotation 與 2-bit KV serving。
后續(xù)若是能勾通更強的動態(tài)窗口政策、更多硬件后端和斡旋 serving 框架，低比特 KV Cache 的范疇還可能不絕上前鼓勵。
P.S. 作家 Zhongzhu Zhou 是 Together AI 的 Senior Research Scientist，悉尼大學博士，琢磨標的包括高效機器學習系統(tǒng)、模子老到與推理的算法系統(tǒng)協(xié)同瞎想，以及 LLM 壓縮與量化。
團隊成員區(qū)分來自 Together AI、悉尼大學和伊利諾伊大學厄巴納 - 香檳分校。
Together AI 創(chuàng)立于 2022 年 6 月，糾合首創(chuàng)東談主包括蘋果前高管 Vipul Ved Prakash、斯坦福大模子琢磨中心主任 Percy Liang、芝加哥大學副素養(yǎng) Ce Zhang，以及 FlashAttention 作家 Tri Dao。
論文運動：https://arxiv.org/abs/2605.17757
名堂主頁：https://oscar-quantize.github.io/
代碼運動：https://github.com/FutureMLS-Lab/OSCAR
ModelScope 運動：https://modelscope.cn/models/togethercomputer/OSCAR-RotationZoo
HuggingFace 運動：https://huggingface.co/Zhongzhu/OSCAR-RotationZoo
一鍵三連「點贊」「轉發(fā)」「留神心」
迎接在評述區(qū)留住你的念念法！
— ?完? —
咱們正在招聘別稱眼疾手快、存眷 AI 的學術編著實習生? ? ?
感深嗜的小伙伴迎接存眷 ? ? ?了解篤定
? ? 點亮星標 ? ?
科技前沿發(fā)揚逐日見百家樂IOS/安卓通用版/手機APP下載
備案號: