20倍压缩奇迹！NVIDIA新黑科技KVTC让大模型“瘦身”成功

[导读]3月22日消息，NVIDIA研究人员推出一项全新技术KVTC(KV快取转换编码)，能把大型语言模型(LLM)追踪对话历史的内存用量，最高缩减20倍，而且不用修改模型本身。

3月22日消息，NVIDIA研究人员推出一项全新技术KVTC(KV快取转换编码)，能把大型语言模型(LLM)追踪对话历史的内存用量，最高缩减20倍，而且不用修改模型本身。

这一突破有望解决大型语言模型长对话推理时的内存不够用问题，大大降低企业使用AI的硬件成本，同时还能把模型首次生成回应的时间，最高提速8倍。

简单来说，KVTC技术的核心就是压缩大型语言模型背后的KV缓存——它相当于AI模型的“短期记忆”。我们可以把KV缓存理解成学生记笔记：模型处理对话时，会把关键信息(也就是Key和Value)记下来，下次生成回应时，不用从头重新计算整段对话，响应速度就能大幅提升。

但问题是，对话越长，这份“笔记”就越大，甚至会膨胀到几个GB，占用大量GPU内存，反而拖慢模型运行、限制其处理能力。

NVIDIA资深深度学习工程师Adrian Lancucki表示：“大型语言模型进行推论时，性能瓶颈往往不在运算能力，而在GPU内存。”那些暂时不用的KV缓存，会一直占用宝贵的GPU资源，逼得系统只能把它们转移到CPU内存或硬盘里，这样不仅会增加数据传输的负担，还可能出现新的卡顿问题，这些额外成本最终也会体现在企业的使用费用中。

和现有压缩技术相比，KVTC没有那些明显的局限，它借鉴了我们熟悉的JPEG图片压缩思路，通过“主成分分析、自适应量化、熵编码”三个简单步骤，就能实现高效压缩。

更方便的是，这项技术不用改动模型的核心设置和代码，属于“非侵入式”设计，企业拿来就能快速部署。它的核心优势是，能抓住KV缓存“数据高度相关”的特点，在保留关键信息的同时，去掉冗余数据，而且解压时可以分块、逐层进行，不会影响模型实时回应。

多轮测试显示，KVTC的表现远超现有主流方法。在参数量从15亿到700亿的多种模型(包括Llama 3系列、R1-Qwen 2.5等)上，即便将内存压缩20倍，模型准确率也几乎不受影响，损失不到1%，与未压缩时相差无几;而传统压缩方法仅压缩5倍，就会出现明显的准确率下降。