Latent Compaction：以测试时训练压缩 KV 缓存
热点事件持续更新
Latent Compaction：以测试时训练压缩 KV 缓存
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
Yingfa Chen 等作者提出 Latent Compaction，一种通过测试时训练学习文档专属紧凑 KV 缓存的方法。据其论文，训练全程冻结模型权重，只用与文档相关的通用提示词，不接触下游问题或答案。 在 RULER 基准上，该方法在 32× 压缩下准确率为 96.7%，而 KVZip+ 为 40.0%；论文称该增益可跨模型规模与系列迁移，在 Qwen3 和 MiniCPM5 上均观察到检索提升。代码已开源。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
Latent Compaction：用测试时训练压缩 KV 缓存报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.LGLatent Compaction：用测试时训练压缩 KV 缓存
Latent Compaction 通过测试时训练学习文档专属的紧凑 KV 缓存，模型权重全程冻结，仅用文档相关的通用提示词训练即可。在 RULER 基准上，该方法在 32× 压缩下达到 96.7% 准确率，而 KVZip+ 仅为 40.0%。该方法可跨模型规模与系列迁移，在 Qwen3 和 MiniCPM5 上均取得检索增益，代码已开源。
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。