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「vLLM 中投机解码的草稿模型与目标模型如何成对声明、需要哪些启动参数」这一具体问题——两条资料都没有给出任何 vLLM 启动参数名、配置字段或声明语法。资料中能确认的只有与配置粒度相关的间接信息：

1 提到其提出的两个推理期机制（限制注意力缓存、重定位旋转位置索引）在 vLLM 侧只需单一配置即可覆盖 4k 到 2M token 的上下文长度，且无需修改模型权重1。但该「单一配置」具体指哪个参数、是否涉及草稿模型与目标模型的成对声明，摘要中并未说明1。
2 只提到在 vLLM 中单序列 KV 缓存可缩小 3.5 倍、H100 上完成速度提升 3.2 倍2，属于缓存压缩效果，与投机解码的模型配对声明无关2。

因此，关于「草稿模型 + 目标模型如何成对声明」「需要哪些启动参数」的问题，建议查阅 vLLM 官方文档或源码中的 speculative decoding 配置说明；上述两篇论文均未提供可引用的参数细节。

继续追问

vLLM 官方文档中 speculative decoding 的配置项有哪些？论文[1]所说的 vLLM 侧「单一配置」具体对应哪个参数？长上下文场景下投机解码加速消失的机制是什么？

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