Kitty: Accurate and Efficient 2-bit KV Cache Quantization with Dynamic Channel-wise Precision Boost
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Xia, Haojun, Wu, Xiaoxia, Li, Jisen, Wu, Robert, Wang, Junxiong, Wang, Jue, Li, Chenxi, Singhal, Aman, Shah, Alay Dilipbhai, Ariyak, Alpay, Zhuang, Donglin, Zhou, Zhongzhu, Athiwaratkun, Ben, Zheng, Zhen, Song, Shuaiwen Leon |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
OSCAR: Offline Spectral Covariance-Aware Rotation for 2-bit KV Cache Quantization
par: Zhou, Zhongzhu, et autres
Publié: (2026)
par: Zhou, Zhongzhu, et autres
Publié: (2026)
SAW-INT4: System-Aware 4-Bit KV-Cache Quantization for Real-World LLM Serving
par: Jia, Jinda, et autres
Publié: (2026)
par: Jia, Jinda, et autres
Publié: (2026)
CARE: Covariance-Aware and Rank-Enhanced Decomposition for Enabling Multi-Head Latent Attention
par: Zhou, Zhongzhu, et autres
Publié: (2026)
par: Zhou, Zhongzhu, et autres
Publié: (2026)
Understanding and Steering the Cognitive Behaviors of Reasoning Models at Test-Time
par: Zhang, Zhenyu, et autres
Publié: (2025)
par: Zhang, Zhenyu, et autres
Publié: (2025)
Imitate Optimal Policy: Prevail and Induce Action Collapse in Policy Gradient
par: Zhou, Zhongzhu, et autres
Publié: (2025)
par: Zhou, Zhongzhu, et autres
Publié: (2025)
Beat the long tail: Distribution-Aware Speculative Decoding for RL Training
par: Shao, Zelei, et autres
Publié: (2025)
par: Shao, Zelei, et autres
Publié: (2025)
When RL Meets Adaptive Speculative Training: A Unified Training-Serving System
par: Wang, Junxiong, et autres
Publié: (2026)
par: Wang, Junxiong, et autres
Publié: (2026)
Introspective Diffusion Language Models
par: Yu, Yifan, et autres
Publié: (2026)
par: Yu, Yifan, et autres
Publié: (2026)
$V_1$: Unifying Generation and Self-Verification for Parallel Reasoners
par: Singh, Harman, et autres
Publié: (2026)
par: Singh, Harman, et autres
Publié: (2026)
LayerKV: Optimizing Large Language Model Serving with Layer-wise KV Cache Management
par: Xiong, Yi, et autres
Publié: (2024)
par: Xiong, Yi, et autres
Publié: (2024)
Ladder-residual: parallelism-aware architecture for accelerating large model inference with communication overlapping
par: Zhang, Muru, et autres
Publié: (2025)
par: Zhang, Muru, et autres
Publié: (2025)
Accurate KV Cache Quantization with Outlier Tokens Tracing
par: Su, Yi, et autres
Publié: (2025)
par: Su, Yi, et autres
Publié: (2025)
FP6-LLM: Efficiently Serving Large Language Models Through FP6-Centric Algorithm-System Co-Design
par: Xia, Haojun, et autres
Publié: (2024)
par: Xia, Haojun, et autres
Publié: (2024)
ReST-KV: Robust KV Cache Eviction with Layer-wise Output Reconstruction and Spatial-Temporal Smoothing
par: An, Yongqi, et autres
Publié: (2026)
par: An, Yongqi, et autres
Publié: (2026)
ZipCache: Accurate and Efficient KV Cache Quantization with Salient Token Identification
par: He, Yefei, et autres
Publié: (2024)
par: He, Yefei, et autres
Publié: (2024)
LAVa: Layer-wise KV Cache Eviction with Dynamic Budget Allocation
par: Shen, Yiqun, et autres
Publié: (2025)
par: Shen, Yiqun, et autres
Publié: (2025)
Unlocking Data-free Low-bit Quantization with Matrix Decomposition for KV Cache Compression
par: Liu, Peiyu, et autres
Publié: (2024)
par: Liu, Peiyu, et autres
Publié: (2024)
EMS: Adaptive Evict-then-Merge Strategy for Head-wise KV Cache Compression Based on Global-Local Importance
par: Li, Yingxin, et autres
Publié: (2024)
par: Li, Yingxin, et autres
Publié: (2024)
RotateKV: Accurate and Robust 2-Bit KV Cache Quantization for LLMs via Outlier-Aware Adaptive Rotations
par: Su, Zunhai, et autres
Publié: (2025)
par: Su, Zunhai, et autres
Publié: (2025)
FastCache: Optimizing Multimodal LLM Serving through Lightweight KV-Cache Compression Framework
par: Zhu, Jianian, et autres
Publié: (2025)
par: Zhu, Jianian, et autres
Publié: (2025)
MadaKV: Adaptive Modality-Perception KV Cache Eviction for Efficient Multimodal Long-Context Inference
par: Li, Kunxi, et autres
Publié: (2025)
par: Li, Kunxi, et autres
Publié: (2025)
Squeeze Evolve: Unified Multi-Model Orchestration for Verifier-Free Evolution
par: Maheswaran, Monishwaran, et autres
Publié: (2026)
par: Maheswaran, Monishwaran, et autres
Publié: (2026)
KIVI: A Tuning-Free Asymmetric 2bit Quantization for KV Cache
par: Liu, Zirui, et autres
Publié: (2024)
par: Liu, Zirui, et autres
Publié: (2024)
Data Diversification Methods In Alignment Enhance Math Performance In LLMs
par: Dokmeci, Berkan, et autres
Publié: (2025)
par: Dokmeci, Berkan, et autres
Publié: (2025)
Think Deep, Think Fast: Investigating Efficiency of Verifier-free Inference-time-scaling Methods
par: Wang, Junlin, et autres
Publié: (2025)
par: Wang, Junlin, et autres
Publié: (2025)
Improving Model Alignment Through Collective Intelligence of Open-Source LLMS
par: Wang, Junlin, et autres
Publié: (2025)
par: Wang, Junlin, et autres
Publié: (2025)
AMS-KV: Adaptive KV Caching in Multi-Scale Visual Autoregressive Transformers
par: Xu, Boxun, et autres
Publié: (2025)
par: Xu, Boxun, et autres
Publié: (2025)
LouisKV: Efficient KV Cache Retrieval for Long Input-Output Sequences
par: Wu, Wenbo, et autres
Publié: (2025)
par: Wu, Wenbo, et autres
Publié: (2025)
ContiguousKV: Accelerating LLM Prefill with Granularity-Aligned KV Cache Management
par: Zou, Jing, et autres
Publié: (2026)
par: Zou, Jing, et autres
Publié: (2026)
Lossless KV Cache Compression to 2%
par: Yang, Zhen, et autres
Publié: (2024)
par: Yang, Zhen, et autres
Publié: (2024)
CorDA: Context-Oriented Decomposition Adaptation of Large Language Models for Task-Aware Parameter-Efficient Fine-tuning
par: Yang, Yibo, et autres
Publié: (2024)
par: Yang, Yibo, et autres
Publié: (2024)
LookaheadKV: Fast and Accurate KV Cache Eviction by Glimpsing into the Future without Generation
par: Ahn, Jinwoo, et autres
Publié: (2026)
par: Ahn, Jinwoo, et autres
Publié: (2026)
Kitti_to_hdmapping_seq00
par: Chudziński
Publié: (2026)
par: Chudziński
Publié: (2026)
CommonKV: Compressing KV Cache with Cross-layer Parameter Sharing
par: Wang, Yixuan, et autres
Publié: (2025)
par: Wang, Yixuan, et autres
Publié: (2025)
PiKV: KV Cache Management System for Mixture of Experts
par: Liu, Dong, et autres
Publié: (2025)
par: Liu, Dong, et autres
Publié: (2025)
CacheClip: Accelerating RAG with Effective KV Cache Reuse
par: Yang, Bin, et autres
Publié: (2025)
par: Yang, Bin, et autres
Publié: (2025)
SqueezeAttention: 2D Management of KV-Cache in LLM Inference via Layer-wise Optimal Budget
par: Wang, Zihao, et autres
Publié: (2024)
par: Wang, Zihao, et autres
Publié: (2024)
MergeQuant: Accurate 4-bit Static Quantization of Large Language Models by Channel-wise Calibration
par: Wang, Jinguang, et autres
Publié: (2025)
par: Wang, Jinguang, et autres
Publié: (2025)
KVmix: Gradient-Based Layer Importance-Aware Mixed-Precision Quantization for KV Cache
par: Li, Fei, et autres
Publié: (2025)
par: Li, Fei, et autres
Publié: (2025)
Accelerating LLM Inference Throughput via Asynchronous KV Cache Prefetching
par: Dong, Yanhao, et autres
Publié: (2025)
par: Dong, Yanhao, et autres
Publié: (2025)
Documents similaires
-
OSCAR: Offline Spectral Covariance-Aware Rotation for 2-bit KV Cache Quantization
par: Zhou, Zhongzhu, et autres
Publié: (2026) -
SAW-INT4: System-Aware 4-Bit KV-Cache Quantization for Real-World LLM Serving
par: Jia, Jinda, et autres
Publié: (2026) -
CARE: Covariance-Aware and Rank-Enhanced Decomposition for Enabling Multi-Head Latent Attention
par: Zhou, Zhongzhu, et autres
Publié: (2026) -
Understanding and Steering the Cognitive Behaviors of Reasoning Models at Test-Time
par: Zhang, Zhenyu, et autres
Publié: (2025) -
Imitate Optimal Policy: Prevail and Induce Action Collapse in Policy Gradient
par: Zhou, Zhongzhu, et autres
Publié: (2025)