KV-Cache

Transformer 推理时缓存历史 token 的 Key/Value 向量，避免每生成一个新 token 都重新计算所有历史 token，是 LLM 自回归推理的显存大头。

显存占用

KV-Cache 显存量 = 层数 × 2（K+V）× 头数 × 头维度 × 序列长度 × 精度。对 70B 模型 4K 上下文：

• FP16 精度：约 3 GB/请求
• 100 并发：300 GB 显存 → 大幅限制服务能力

主要优化技术

• PagedAttention：分页管理，减少碎片，提升并发数
• GQA / MQA（Grouped/Multi-Query Attention）：模型层减少 KV 头数
• 量化 KV-Cache：INT8 / INT4 量化压缩 KV
• KV-Cache 卸载到 CPU/NVMe：Offloading
• Prefix Caching：相同前缀的请求共享 KV-Cache
• MLA（DeepSeek V2/V3 多头潜变量注意力）：极致压缩 KV-Cache

主要玩家

• 学术界：UC Berkeley（PagedAttention）、Tri Dao（FlashAttention）
• 工业界：NVIDIA / vLLM / DeepSeek / 硅基流动

在 AI 产业链中的角色

• LLM 推理的核心瓶颈：显存 + 带宽双重压力源
• 2024-25 推理引擎所有创新基本围绕 KV-Cache：PagedAttention、Prefix Caching、Disaggregated Serving、MLA 等
• 决定推理服务单卡并发数：直接决定 MaaS 单位经济性

相关概念

• PagedAttention
• Continuous Batching
• FlashAttention
• 投机解码