本文作者 Zhongzhu Zhou 是 TogetherAI 的 Senior Research Scientist，悉尼大学博士，钻研方向为高效机械进建系统，方向覆盖 模型训推算法与系统协同设计，LLM 压缩与量化 。团队成员均来自 TogetherAI，悉尼大学以及伊利诺伊大学厄巴纳 — 香槟分校 。
长高低文模型越来越强，但服务时的瓶颈往往不是算力，而是 KV Cache：每天生一个 token，都要从显存中读取越来越长的汗青 key，value 。高低文越长、batch 越大，KV Cache 越吃显存，也越吃带宽 。把汗青 KV 压到 2-bit，理论上能够让汗青段显存削减约8 倍 ；但真正难的是，压完之后推理能力不能崩，系统也必须能在真实 serving 框架里跑起来 。
为什么 2-bit KV Cache 这么难 ？INT2 只有 4 个量化等级，而 KV activation 中时时有少数幅值极大的 outlier channel 。若是这些 outlier 主导量化尺度，大无数正常值会被挤到很少的有效等级里，把稳力散布很快漂移 。通常 Hadamard 旋转能把 outlier 摊平，但它不知路模型在 attention 里真正读哪些方向 。OSCAR 的主题就是把旋转指标从「沉建原始 K/V 向量」改成「保留 attention 消费 KV 的方式」 。
相比之前量化的工作，好比 TurboQuant 压缩的是向量，但忽略了真正影响模型的是 attention 的质量，OSCAR 保留的是 attention 真正会读的方向 。朴素 INT2 和全模型层的 3-bit K/V TurboQuant 城市在难题推理工作上显著掉分 ；OSCAR 在约2.28 effective bits per KV element下仍能靠近 BF16，并在 Qwen3-4B-Thinking 上相对 3-bit K/V TurboQuant 最高提升40.1 分 。
图 1 对比了 naive INT2、Hadamard-only、clip-only 和 OSCAR 在量化误差传布链路上的差距 。关键点是，原始 K/V 的沉建误差并不能齐全诠释模型最终阐发 ；真正影响推理质量的是 attention-score KL、attention-block output MSE 以及后续 hidden-state error 。OSCAR 的优势不只是让向量数值更滑润，而是把量化误差压到 attention 不敏感的方向上 。
具体来说，对 key 来说，量化误差会进入 attention logits，也就是 QK?，因而 OSCAR 用 query covariance（Q?Q）机关 key 的旋转指标 ；对 value 来说，误差经过把稳力权沉进入输出，因而 OSCAR 使用 score-weighted value covariance（V?S?SV） 。离线校准阶段，OSCAR 从少量校准样本中估计这些 attention-aware covariance，为每层、每个 head 天生固定旋转和 clipping 阈值 。最终旋转写作R = U?Hadamard?bit-reversal：U 对准 attention 有关方向，Hadamard 分散 outlier，bit-reversal 平衡 INT2 分组，预防某个 group 被少数通路摆布 。
其中 sink token 和 recent window 维持 BF16，用来� ；� attention sink 与短期部门高低文 ；中央最长的汗青段存成旋转后的 INT2 。新 token 先写入 recent window，随着解码推动，最老的 recent token 再由融合 Triton kernel 执行 rotate /clip/quantize/pack，并 demote 到 INT2 history 。每 4 个 2-bit 值打包进 1 个 byte 。decode 阶段，OSCAR 在 GPU 上把缓存分成 BF16 段和 INT2 段：INT2 kernel 掌管 unpack、scale/zero point 还原和浮点累加，BF16 kernel 处置 sink/recent，最后用 online softmax merge 归并了局 。它同时兼容 paged KV、radix prefix cache 和 SGLang 的 fused kernel pipeline，因而能够直接用于长高低文 workload，而不是停顿在论文图内外 。
图 2 展示 OSCAR 从离线校准到在线 serving 的齐全蹊径 。左侧是离线阶段：OSCAR 从少量校准样本中估计 attention-aware rotation 和 clipping threshold，让 KV activation 在进入 INT2 前变得更适合量化 。右侧是在线阶段：sink/recent token 持续维持 BF16，中央最长的 history KV 进入旋转后的 INT2 cache，并在 SGLang paged KV 中实现真实 serving 。因而 OSCAR 不是单一量化技巧，而是一整套 2-bit KV Cache pipeline 。
OSCAR 在2.28 BPE下，Qwen3-4B-Thinking 距 BF16 仅3.78分，Qwen3-8B 距 BF16 仅1.42 分，Qwen3-32B 与 GLM-4.7-FP8 根基与 BF16 吃旖 。相比之下，QuaRot-INT2 和 naive INT2 在这些 reasoning /coding 工作上大多直接崩溃 ；TurboQuant 在全层 3-bit K/V、无 mixed-precision � ；さ钠秸柚孟�，也在幼模型推理工作上掉分显著 。
OSCAR还在128K长高低文设置下对中 / 大规模模型做了 RULER-NIAH 测试：OSCAR 在 Qwen3-8B 和 GLM-4.7-FP8 上都维持了显著更不变的检索机能，注明这种 attention-aware 旋转不仅能撑住短评测，也能抵抗超长汗青中 KV 误差的累积 � ；痪浠八�，OSCAR 是少数能在真近 2-bit 设置下仍维持现代 reasoning model 质量的步骤 。
系统收益也极度直接：相对 BF16 history storage，OSCAR 可削减约8×KV Cache memory ；在 100k context、batch-size-1、full prefix-cache hit 设置下，decode 最高约3×加快 ；在大 batch、同显存预算下，job-level throughput 最高约7× 。prefix cache 射中率越高，OSCAR 越能利用更幼的 KV footprint 提升并发吞吐，这对共享系统提醒、多轮 Agent、工具挪用循环等长前缀复用场景尤其沉要 。
图 3 是论文主了局表，蕴含 BF16、Saw-INT4、TurboQuant、QuaRot-INT2、Naive INT2 和 OSCAR 在四个模型、五个工作上的齐全对比 。BF16 是精度上界 ；Saw-INT4 是强 4-bit 参考，BPE 为4.25 ；TurboQuant 在这里使用无 mixed-precision � ；さ娜�3-bit K/V设置，BPE 为3.25 ；QuaRot-INT2 和 Naive INT2 是靠近 2-bit 的旋转 / 朴素基线，BPE 约2.25 ；OSCAR 则在2.28 BPE下运行 。
这张表的沉点不是单一模型，而是「低比特能不能不变」 。在 Qwen3-4B-Thinking 上，TurboQuant mean 为31.74，QuaRot-INT2 只有1.40，Naive INT2 为0.00 ；OSCAR 达到71.86，距离 BF16 只差3.78，并相对 TurboQuant 提升40.1 分 。在 Qwen3-8B 上，OSCAR mean 为69.42，距离 BF16 只差1.42，而 TurboQuant 为56.88 。到 Qwen3-32B 和 GLM-4.7-FP8，OSCAR 根基与 BF16 吃旖 � ；痪浠八�，在靠近 2-bit 的 KV 预算下，OSCAR 是表中唯一能在多模型、多工作上不变切近 BF16 的 INT2 步骤 。
图 4 单独看 AIME25 这个高难数学推理工作，并对比 KIVI-KV2、Kitty 和 OSCAR 。但由于 KIVI, KITTY 没有 framework 支持，无法进行 long context run，所以拔取了他们步骤唯一在 32K 汇报的了局 - AIME25 。在 Qwen3-8B 上，OSCAR 以2.38 BPE达到66.67，根基追平 BF16 的66.00，显著高于 KIVI-KV2 和 Kitty ；在 Qwen3-32B 上，OSCAR 达到74.00，甚至略高于 BF16 的72.59，也超过 Kitty 的69.26 。这注明 OSCAR 不只是相对 TurboQuant 有优势，在已有 KV-cache 量化步骤中，也能在靠近 2-bit 的预算下保住难题数学推理能力 。
图 5 展示 100k 高低文下的系统机能 。OSCAR 在 batch-size-1、full prefix-cache hit 的纯 decode 场景下最高约3×加快 ；在固定显存预算下，batch size 增大时，INT2 history 带来的 KV footprint 降低能够显著提高 job-level throughput，最高约7× 。这注明 OSCAR 不只是精度能保住，也能实打实降低显存带宽压力 。
图 6 展示 prefix-cache hit ratio 对端到端 serving throughput 的影响 。横轴是单用户吞吐，纵轴是单 GPU 吞吐 ；从 cache disabled 到 normal cache，再到靠近 100% warmup replay，吞吐前沿逐步表扩 。OSCAR 维持尺度 paged KV /prefix cache 抽象，因而共享系统提醒、多轮 Agent、工具挪用循环等长前缀复用场景能够直接受益 。
这些了局的一个沉要寓意是，OSCAR 并没有依赖「遴选少数层保留高精度」来保住分数 。好多低比特步骤在真正部署时会借助混合精度：第一层、最后一层或若干敏感层依然保留较高 bit，这会让均匀 bit 数上升，也会让 kernel 和 cache layout 变复杂 。OSCAR 的对比更严格：汗青 KV 主体维持统一的 INT2 暗示，只在 sink 和 recent 两个很幼窗口保留 BF16 。这样做的益处是，系统工程上更容易接入 paged cache、prefix cache 和批量调度，也更靠近真实服务场景中的显存预算 。
另一个值得强调的点是，OSCAR 的收益不是只在幼模型或短高低文上成立 。论文同时测试了 4B、8B、32B 以及 GLM-4.7-FP8 这样的大模型 ；既看了数学、代码、知识问答等 32K 推理天生工作，也看了 128K RULER-NIAH 长高低文检索 。短评测里，OSCAR 能靠近 BF16 ；长高低文里，它也能让 attention 散布随高低文增长更不变 。这注明 attention-aware rotation 不是只在某个 benchmark 上调参有效，而是在缓解 KV 误差随汗青长度累积这个底子问题 。
从利用角度看，这对长高低文 Agent 出格关键 。真实 Agent 往往蕴含很长的系统提醒、工具注明、汗青对话和检索内容，并且分歧要求之间存在大量共享前缀 。若是 KV Cache 只能用 BF16 存，系统很快会被显存卡� � ；若是直接做朴素 INT2，又可能让推理链条失真 。OSCAR 的设计刚好夹在两者之间：长汗青用 INT2 降显存和带宽，关键 sink/recent 用 BF16 兜住不变性，再让 prefix cache 复用共享前缀 � ；痪浠八�，它把「能压到 2-bit」和「能上线 serving」 放在统一个系统里思考 。
TurboQuant 是很强的通用 online vector quantization 步骤 ；OSCAR 针对的是 attention-aware 2-bit KV serving 。二者不是单一代替关系，例如OSCAR 的 最新codebase中已经在attention-aware rotation 引入了更强的 Lloyd Max Codebook，将压缩推向极致 。OSCAR 带来了一个怪异的概想：2-bit KV Cache 要能上线，旋转不只是「有没佑坠，而是必须对准 attention，并且要有真实 serving 系统支持 。
漫蛙Manwa2官方入口这场世界第六美国队0-3惨败世界第12加拿大队后，美国队-15.81分，这也是美国队今年世联赛首败，这场惨败对于中国女排来说是一个利好，中国队昨夜3-2险胜泰国只有0.01分进账。Meta计划将这款AI代理纳入其部分WhatsApp Business Premium订阅套餐中，并向使用该代理的企业收费。该公司指出，大型企业将根据其使用的Token数量支付费用。漫蛙Manwa2官方入口� ；ㄊ悠�非营利组织联合体Alliance to Protect Shareholder Value于5月26日发表声明，批评SpaceX的治理政策"试图以新颖且鲁莽的方式严重削弱对股东的保护，同时赋予SpaceX领导层近乎全部的行政权力"。巴菲特接班人持续增持谷歌的股票，建立在充分调研、长期跟踪的基础上。对手握巨额现金储备的伯克希尔哈撒韦而言，在当前的市场环境下，也许不追求较高的投资回报率，可能更倾向于跑赢同期的通胀率表现。阿贝尔在这个时候投资谷歌，也许在他看来，未来几年谷歌持续跑赢同期通胀率的概率比较高，比手握巨额现金储备或者投资短期国库券的增值效果更佳。
20260606 ? 漫蛙Manwa2官方入口“从朗尼克的话题延伸开来，弗朗切斯科，我还想告诉你另一个情况：马西莫-卡尔韦利实际上已经接替了乔治-富拉尼的角色，特别是在行政文件的签署权力方面。这是我们在这个频道上率先为大家披露过的消息，因为我们是最早解释卡尔韦利在俱乐部官僚程序上迈出这关键一步的人，我们还得看看这是否只是一个过渡性的安排。”我的启蒙妈妈幼说淳晓报道称，此前巴萨开出1亿欧元报价求购马竞前锋胡利安-阿尔瓦雷斯，这一操作招致马竞方面暴怒，俱乐部认定巴萨恶意觊觎自家王牌球员；如今两队又在引援目标上出现重合，伯纳多-席尔瓦与马克-库库雷利亚成为双方共同争夺的人选。
20260606 ? 漫蛙Manwa2官方入口北京时间6月3日国际友谊赛，克罗地亚对阵比利时。上半场蒂勒曼斯首开记录，下半场补时最后一分钟卢卡库破门锁定胜局。最终比分克罗地亚0比2比利时。《村落公媳短篇合集笔趣阁在线阅读》在企业软件史上，Palantir早已证明过本体论的价值：只有先理解业务对象、定义关系规则、建立可执行的知识图谱，智能化才能真正扎根于组织。
京公网安备11010202000001号
