推理大模型雖好，但一個簡單的算數問題能推理整整三頁，還都是重復的“廢話”，找不到重點……

一種可以把大模型的“碎碎念”轉化為可控記憶條目的高效壓縮方法，出現了！

R-KV開源登場：顯存↓90%、吞吐×6.6、準確率=100%。

它可以通過實時對token進行排序，兼顧重要性和非冗余性，僅保留信息豐富且多樣化的token，從而解決大模型推理時的冗余問題。

讓“長時間推理”不再是奢侈品。

項目詳情可見文末鏈接。

R-KV三步走：冗余識別+重要性評估+動態淘汰

鏈式思考（Chain-of-Thought,CoT）讓LLM解題思路清晰可見，卻也讓推理長度指數級膨脹。

以DeepSeek-R1-Llama-8B為例，一道AIME數學題就能寫出3.2萬個Token：模型權重15.5GB，KV緩存再吃4.1GB——顯存瞬間見底。

現有KV壓縮方法（SnapKV、StreamingLLM、H2O等）主要針對長輸入設計，可一旦模型在輸出端開始“碎碎念”，相似句子之間互相打高分注意力，反而讓“按注意力刪低分”策略失靈：

造成關鍵步驟被誤刪、重復內容卻被保留、準確率斷崖式下跌等問題。

而R-KV通過以下步驟，在模型解碼時實時壓縮KV緩存來處理冗余的鍵/值（KV）標記，僅保留重要且非冗余的標記：

• 邊生成邊壓縮（Decoding-Time Compression）Token還沒寫進KV，就先判斷“去留”，徹底阻斷顯存膨脹。
• 重要性打分（Importance）多頭注意力綜合評估，每個Token對后續答案的貢獻度。
• 冗余打分（Redundancy）計算Key向量余弦相似度，找出“復讀機”式內容。
• 聯合淘汰（Joint Eviction）按「高重要+低冗余」優先級實時調度KV配額，λ≈0.1時效果最佳。

整個流程訓練-free、模型-agnostic，無需改動模型結構，直接“即插即用”。因此可以直接被用到強化學習的采樣過程中，非常靈活。

可視化：R-KV vs. SnapKV

上圖展示了R-KV和純注意力基線SnapKV在相同解碼步驟中選擇了哪些token。灰色＝未選；由淺到深紅＝被越多注意力頭選中。

可以看到，SnapKV關注點集中在離當前Query最近的局部片段，甚至重復保留多次「3 students are leaving early…」等無用自述。

而R-KV選出的Token橫跨整段推理：題目關鍵詞30 students，關鍵中間值24,12及最終答案全部被保留，此外語義覆蓋面更廣。

通過結合注意力強度與冗余過濾，R-KV保留了重要上下文并去除噪聲，成功完成任務；而SnapKV誤刪關鍵信息導致答案錯誤。

得到結果：R-KV有更廣泛的覆蓋范圍、更高的信息多樣性和更顯著的去冗余能力。

性能測試：準確率不降反升

可以看到，R-KV在具有挑戰性的數學基準測試中大幅超越了基線，甚至超過了完整的KV。

在計算開銷上，R-KV引入了重要性評分和冗余評分的額外計算，但總體開銷適中，通常會被壓縮KV緩存帶來的注意力成本降低所抵消。隨著序列長度的增加，這種權衡變得越來越有利。

對內存節省和端到端吞吐量提升進行實時分析，可以看到，當批處理大小為1時，R-KV在吞吐量上略優于FullKV。這表明R-KV通過減少注意力計算所實現的加速效果超過了R-KV自身的計算開銷。

然而，這種直接的速度提升僅占整體收益的一小部分，R-KV帶來的主要吞吐量提升來自于KV緩存壓縮，使模型能夠支持顯著更大的推理批處理大小。

對基于比例和固定KV緩存預算的端到端吞吐量進行評估，發現R-KV始終能夠實現比FullKV大得多的批處理大小和更高的吞吐量，同時不損失任務性能。

R-KV的適用場景如下：

• 邊端設備長鏈推理顯存斷崖縮減，讓消費級GPU甚至手機NPU也能跑
• 多輪Agent反思-重寫-自評等復雜流程不再受顯存限制。
  
• 直接用于加速強化學習的采樣過程training-free的方法即插即用。

論文PDF：https://arxiv.org/pdf/2505.24133.pdf

項目主頁：https://zefan-cai.github.io/R-KV.page/

代碼倉庫：https://github.com/Zefan-Cai/R-KV