待验证50% 置信事实精确时间
DCKV是一种可微分的KV缓存编解码器，首次实现端到端训练，将变换、量化器和熵模型与冻结的语言模型联合优化。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
涉及实体
相关事实
待验证DCKV的熵模型以提示词元和已解码的相邻位置为条件，解码过程是自回归的。72% 相似待验证RCSD（Reinforcement and Continual Learning for Domain-Specific Speculative Decoding）是一个将草稿模型优化与系统级目标（最大化接受长度）直接对齐的训练框架。70% 相似已验证KVCache是Transformer架构中缓存之前所有token的Key和Value向量以避免重复计算的机制，其显存占用随上下文长度线性增长65% 相似待验证RWKV 在时间维度上使用可并行化的 WKV 算子训练，推理时退化为逐 token 的递归形式，因此不需要 KV Cache，内存占用与序列长度无关。64% 相似待验证上下文缓存（KV Cache）是 Transformer 类模型推理时存储先前 token 的 Key 和 Value 向量的内存区域，其大小随上下文长度、批处理大小和模型层数线性增长。64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1106213API
curl https://kongchang.com/api/v1/knowledge/claims/1106213MCP
get_claim(id=1106213)