待验证60% 置信事实精确时间

GQA通过让多个查询头共享同一组KV头，可将KV缓存体积压缩至原来的1/4至1/8

2

来源数

60%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

块低秩压缩：内存受限GPU上的大模型推理加速指南

相关事实

待验证使用非GQA架构（KV头数等于查询头数）在相同条件下的KV缓存是GQA的4倍79% 相似待验证GQA 将注意力头分组共享 KV 投影，可将 KV 缓存压缩至原来的 1/4 甚至更低而几乎不损失模型质量75% 相似待验证量化KV缓存（如FP8或INT4存储KV向量）可将缓存大小压缩到原来的1/2甚至1/474% 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72% 相似待验证GGUF、AWQ等量化格式能将数百亿参数模型压缩至消费级GPU可运行的体积，同时保持接近原版的性能69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/561355

API

curl https://kongchang.com/api/v1/knowledge/claims/561355

MCP

get_claim(id=561355)