AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

大家都在搜：vLLM12 AbridgeKV 在 vLLM 中的实现改动涉及哪些模块？10 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10

AI 答案

资料有限基于 2 条来源 · 引用可点击溯源

现有资料不足以回答「如何在 vLLM 中启用并调优投机解码」这一操作性问题：两条资料都没有给出 vLLM 的启动参数、配置项名称或调优步骤。资料中只能确认与长上下文投机解码相关的部分结论：

长上下文下投机解码的加速会消失，原因是草稿模型需要处理完整前缀1。
论文提出的做法是冻结短上下文草稿器，并在推理期使用两个机制：限制注意力缓存、重定位旋转位置索引，从而在 200 万 token 下保持短上下文时的加速比，且无需修改权重1。
该方案在 vLLM 侧单一配置即可覆盖 4k 到 2M token1——但资料未说明这个配置项的具体名称与写法。

另一条资料 2 讲的是 AbridgeKV 把长推理压缩进 pause token 的 KV 缓存，属于 KV 缓存压缩而非投机解码；它提到 vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍2，可作为长上下文显存与吞吐优化的旁证，但不构成投机解码的启用或调优方法。因此，具体的启用命令、草稿模型指定方式、草稿 token 数等调优参数，现有资料不足以回答，建议补充 vLLM 官方文档或对应论文原文。

继续追问

vLLM 中投机解码的草稿模型如何指定，有哪些相关启动参数？论文 [1] 提到的「限制注意力缓存 + 重定位旋转位置索引」在 vLLM 里对应哪个配置项？AbridgeKV 的 pause token KV 压缩能否与投机解码叠加使用？

参考来源

2 条

1站内Long-Context Drafting Does Not Require Long-Context Drafters论文指出超长上下文下投机解码的加速会消失，因为草稿模型需处理完整前缀。作者提出无需训练长上下文草稿模型：冻结短上下文草稿器，通过限制注意力缓存和重定位旋转位置索引两个推理期机制，让其在200万token下保持短上下文时的加速比，无需改权重，vLLM侧单一配置即可覆盖4k到2M token。arXiv cs.LGhttps://arxiv.org/abs/2610.20865 2站内AbridgeKV: Compressing Long Reasoning into the KV Cache of Learned Pause TokensAbridgeKV 训练模型把已完成的长推理文本块压缩进少量可学习 pause token 的 KV 条目，从而释放原始缓存，后续 token 改为关注这些 pause token。在 AIME 等 446 道竞赛题、32K 生成下，仅保留四分之一缓存即可匹配全 KV 模型精度，vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍。arXiv cs.CLhttps://arxiv.org/abs/2610.20641

AI 答案正在检索与综合…

站内相关条目

2 条 · 点击可看原文全文与中文译文

返回信息流

部署

Long-Context Drafting Does Not Require Long-Context Drafters

论文指出超长上下文下投机解码的加速会消失，因为草稿模型需处理完整前缀。作者提出无需训练长上下文草稿模型：冻结短上下文草稿器，通过限制注意力缓存和重定位旋转位置索引两个推理期机制，让其在200万token下保持短上下文时的加速比，无需改权重，vLLM侧单一配置即可覆盖4k到2M token。

部署与算力·arXiv cs.LG·5 天前

#speculative-decoding

部署

AbridgeKV: Compressing Long Reasoning into the KV Cache of Learned Pause Tokens

AbridgeKV 训练模型把已完成的长推理文本块压缩进少量可学习 pause token 的 KV 条目，从而释放原始缓存，后续 token 改为关注这些 pause token。在 AIME 等 446 道竞赛题、32K 生成下，仅保留四分之一缓存即可匹配全 KV 模型精度，vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍。

部署与算力·arXiv cs.CL·5 天前

#kv-cache