KVarN：分散正規化KVキャッシュ量子化は推論タスクにおける誤差蓄積を軽減する

要旨

テスト時スケーリングは大規模言語モデルにおいてより良い推論を得るための強力な手法であるが、KVキャッシュが増大する長期デコード中にメモリボトルネックが発生する。KVキャッシュ量子化はこれを改善するのに役立つが、現在の手法はプリフィル的な設定で評価されており、自己回帰デコード下では誤差の挙動が異なる。後者の設定では、量子化誤差が時間ステップにわたって蓄積し、その主な原因は不適切なトークンスケールにあることを示す。我々は、アダマール回転に続いてK行列とV行列の両軸にわたる二重スケーリング分散正規化を適用するキャリブレーションフリーのKVキャッシュ量子化器KVarNを提案する。この組み合わせにより、外れトークンスケール誤差が修正され、既存のベースラインと比較して誤差の蓄積が大幅に低減されることがわかった。KVarNはMATH500、AIME24、HumanEvalを含む生成ベンチマークにおいて、2ビット精度でKVキャッシュ量子化の新たな最良結果を達成する。KVarN手法のvLLM実装はhttps://github.com/huawei-csl/KVarNで入手可能である。

English

Test-time scaling is a powerful approach to obtain better reasoning in large language models, but it becomes memory-bottlenecked during long-horizon decoding, as the KV-cache grows. KV-cache quantization can help improve this, but current methods are evaluated under prefill-like settings and errors behave differently under autoregressive decoding. We show that in the latter regime, quantization errors accumulate across timesteps, driven primarily by incorrect token scales. We introduce KVarN, a calibration-free KV-cache quantizer that applies a Hadamard rotation followed by a dual-scaling variance normalization across both axes of the K and V matrices. We find that this combination fixes outlying token-scale errors and substantially reduces error accumulation over existing baselines. KVarN establishes a new state-of-theart for KV-cache quantization on generative benchmarks, including MATH500, AIME24 and HumanEval, at 2-bit precision. A vLLM implementation of the KVarN method is available at https://github.com/huawei-csl/KVarN