KVarN: нормализованное по дисперсии квантование KV-кэша снижает накопление ошибок в задачах рассуждения

Аннотация

Масштабирование во время тестирования является мощным подходом для улучшения рассуждений в больших языковых моделях, однако оно становится узким местом по памяти при декодировании на длинных горизонтах из-за роста KV-кэша. Квантование KV-кэша может помочь улучшить эту ситуацию, но текущие методы оцениваются в условиях, подобных режиму префилла, и ошибки ведут себя иначе при авторегрессивном декодировании. Мы показываем, что в последнем режиме ошибки квантования накапливаются по временным шагам, что в первую очередь обусловлено некорректными масштабами токенов. Мы представляем KVarN — квантователь KV-кэша без калибровки, который применяет преобразование Адамара с последующей двойной нормализацией дисперсии по обеим осям матриц K и V. Мы обнаружили, что такая комбинация устраняет выбросы ошибок масштаба токенов и существенно снижает накопление ошибок по сравнению с существующими базовыми методами. KVarN устанавливает новый уровень качества для квантования KV-кэша на генеративных бенчмарках, включая MATH500, AIME24 и HumanEval, при 2-битной точности. Реализация метода KVarN в vLLM доступна по адресу https://github.com/huawei-csl/KVarN.

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