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 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

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 中配置投机解码」的具体操作步骤——两条资料都没有给出 vLLM 的配置项名称、命令行参数或代码示例。资料中能确认的只有与投机解码相关的两点背景信息：

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；论文提出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，让它在 200 万 token 下保持短上下文时的加速比，且无需改动权重1。
该方案在 vLLM 侧只需单一配置即可覆盖 4k 到 2M token1——但资料未说明这个配置项叫什么、如何设置。

另一条资料 2 讨论的是把长推理压缩进 pause token 的 KV 缓存（vLLM 中单序列缓存缩小 3.5 倍、H100 完成速度提升 3.2 倍），属于 KV cache 压缩方向，与投机解码的配置无直接关系。因此，关于「vLLM 中投机解码的配置方法」（如草稿模型指定、投机 token 数等参数），建议查阅 vLLM 官方文档或源码；本回答仅能提供上述研究层面的线索。

继续追问

vLLM 官方文档中投机解码的配置参数有哪些？论文 [1] 中提到的「单一配置」具体是哪个 vLLM 参数？限制注意力缓存和重定位 RoPE 索引在 vLLM 中如何实现？

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·4 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·4 天前

#kv-cache