OScaR：极致KV缓存量化框架
热点事件持续更新
OScaR：极致KV缓存量化框架
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
研究者提出并公开了轻量级 KV 缓存压缩框架 OScaR（Omni-Scaled Canalized Rotation），面向长上下文与多模态推理中的 KV cache 显存瓶颈。该工作将量化失真的主因归结为 Token Norm Imbalance（TNI），并用 Canalized Rotation 与 Omni-Token Scaling 两种方法缓解该问题。 OScaR 主打「轻量」路线，报道称其不依赖 TurboQuant 等复杂量化流程，适用范围标注为 X-LLMs，即纯文本、多模态与全模态大模型。代码已公开，可直接获取。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
OScaR：面向 LLM 及更多模型的极致 KV Cache 量化"奥卡姆剃刀"报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.LGOScaR：面向 LLM 及更多模型的极致 KV Cache 量化"奥卡姆剃刀"
针对长上下文与多模态推理中 KV cache 显存瓶颈，研究者提出轻量压缩框架 OScaR（Omni-Scaled Canalized Rotation），将量化失真主因归结为 Token Norm Imbalance（TNI），通过 Canalized Rotation 与 Omni-Token Scaling 缓解该问题。
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。