推理大模型虽好，但一个简单的算数问题能推理整整三页，还都是重复的“废话”，找不到重点……
一种可以把大模型的“碎碎念”转化为可控记忆条目的高效压缩方法，出现了！
R-KV开源登场：显存↓90%、吞吐×6.6、准确率=100%。
它可以通过实时对token进行排序，兼顾重要性和非冗余性，仅保留信息丰富且多样化的token，从而解决大模型推理时的冗余问题。
让“长时间推理”不再是奢侈品。
项目详情可见文末链接。
R-KV三步走：冗余识别+重要性评估+动态淘汰
链式思考（Chain-of-Thought,CoT）让LLM解题思路清晰可见，却也让推理长度指数级膨胀。
以DeepSeek-R1-Llama-8B为例，一道AIME数学题就能写出3.2万个Token：模型权重15.5GB，KV缓存再吃4.1GB——显存瞬间见底。
现有KV压缩方法（SnapKV、StreamingLLM、H2O等）主要针对长输入设计，可一旦模型在输出端开始“碎碎念”，相似句子之间互相打高分注意力，反而让“按注意力删低分”策略失灵：
造成关键步骤被误删、重复内容却被保留、准确率断崖式下跌等问题。
而R-KV通过以下步骤，在模型解码时实时压缩KV缓存来处理冗余的键/值（KV）标记，仅保留重要且非冗余的标记：
- 边生成边压缩（Decoding-Time Compression）
Token还没写进KV，就先判断“去留”，彻底阻断显存膨胀。
- 重要性打分（Importance）
多头注意力综合评估，每个Token对后续答案的贡献度。
- 冗余打分（Redundancy）
计算Key向量余弦相似度，找出“复读机”式内容。
- 联合淘汰（Joint Eviction）
按「高重要+低冗余」优先级实时调度KV配额，λ≈0.1时效果最佳。
整个流程训练-free、模型-agnostic，无需改动模型结构，直接“即插即用”。因此可以直接被用到强化学习的采样过程中，非常灵活。
可视化：R-KV vs. SnapKV
上图展示了R-KV和纯注意力基线SnapKV在相同解码步骤中选择了哪些token。灰色＝未选；由浅到深红＝被越多注意力头选中。
可以看到，SnapKV关注点集中在离当前Query最近的局部片段，甚至重复保留多次「3 students are leaving early…」等无用自述。
而R-KV选出的Token横跨整段推理：题目关键词30 students，关键中间值24,12及最终答案全部被保留，此外语义覆盖面更广。
通过结合注意力强度与冗余过滤，R-KV保留了重要上下文并去除噪声，成功完成任务；而SnapKV误删关键信息导致答案错误。
得到结果：R-KV有更广泛的覆盖范围、更高的信息多样性和更显著的去冗余能力。
性能测试：准确率不降反升
可以看到，R-KV在具有挑战性的数学基准测试中大幅超越了基线，甚至超过了完整的KV。
在计算开销上，R-KV引入了重要性评分和冗余评分的额外计算，但总体开销适中，通常会被压缩KV缓存带来的注意力成本降低所抵消。随着序列长度的增加，这种权衡变得越来越有利。
对内存节省和端到端吞吐量提升进行实时分析，可以看到，当批处理大小为1时，R-KV在吞吐量上略优于FullKV。这表明R-KV通过减少注意力计算所实现的加速效果超过了R-KV自身的计算开销。
然而，这种直接的速度提升仅占整体收益的一小部分，R-KV带来的主要吞吐量提升来自于KV缓存压缩，使模型能够支持显著更大的推理批处理大小。
对基于比例和固定KV缓存预算的端到端吞吐量进行评估，发现R-KV始终能够实现比FullKV大得多的批处理大小和更高的吞吐量，同时不损失任务性能。
R-KV的适用场景如下：
- 边端设备长链推理
显存断崖缩减，让消费级GPU甚至手机NPU也能跑
- 多轮Agent
反思-重写-自评等复杂流程不再受显存限制。
直接用于加速强化学习的采样过程
- training-free的方法即插即用。
论文PDF：https://arxiv.org/pdf/2505.24133.pdf
项目主页：https://zefan-cai.github.io/R-KV.page/
代码仓库：https://github.com/Zefan-Cai/R-KV
本文来自微信公众号“量子位”，作者：R-KV团队，36氪经授权发布。
