待验证50% 置信事实精确时间
对投影矩阵 W 做 SVD 分解，得到 512 个非零奇异值对应的文本子空间和 256 个零奇异值对应的零空间方向。
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SVD将任意m×n矩阵A分解为U·Σ·V^T，图像压缩通过只保留前k个最大奇异值实现最优低秩逼近（Eckart-Young定理）74% 相似待验证SVDQuant将权重矩阵分解为高精度（16-bit）的低秩分支和4-bit量化的残差分支73% 相似待验证用 PCA 将第 2 层和第 6 层压缩到 256 维（在 1400 个来自 4 个外部音频数据集的片段上拟合，未使用 MAEB/MSEB 数据），注入零空间后归一化，文本嵌入逐位不变，文本到音频检索变化在 0.05 分以内。61% 相似已验证MLA将KV对压缩到低维潜在空间中进行缓存，推理时通过上投影矩阵恢复完整的Key和Value，将KV缓存压缩了数倍60% 相似待验证论文《AttSVD: Prompt-Adaptive Low-Rank KV Cache Compression via Attention-Guided SVD》发布于arXiv59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1108285API
curl https://kongchang.com/api/v1/knowledge/claims/1108285MCP
get_claim(id=1108285)