ACCT：同族跨规模模型间迁移KV缓存
热点事件持续更新
ACCT：同族跨规模模型间迁移KV缓存
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Yuzhe Liu、Haolin Tian、Tonghan Wang 提出 ACCT，将同系列不同规模源模型的 KV 缓存转换为目标模型可直接使用的稀疏 KV 状态，以复用上下文计算。 论文称实验显示，在 KV 缓存缩减 75% 时，ACCT 可达到或超过目标模型原推理性能；在约 1.9 万 token 上下文中，其 KV 转换相对目标模型上下文预填充加速 6.5–21.2 倍。
AI 根据报道生成 · 3 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · cs.AIACCT：跨 大语言模型（LLM，Large Language Model） 非对称上下文迁移，KV 缓存缩减 75% 仍保持性能
研究者提出 ACCT（Asymmetric Cross-大语言模型（LLM，Large Language Model） Context Transfer，非对称跨大语言模型上下文迁移），把源模型的键值缓存（KV cache，Key-Value Cache）转换为目标模型可直接使用的稀疏 KV 状态，实现同系列不同规模模型间的上下文计算复用。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。