QR код

QubitCache: Quantum-Inspired Probabilistic Attention Preservation for KV-Cache Compression

Large language model inference faces a critical memory bottleneck from KV cache, which grows linearly with sequence length and dominates GPU memory during long-context generation. Existing compression methods reduce memory through token eviction but irreversibly discard attention relationships essen...

Бүрэн тодорхойлолт

-д хадгалсан:
Номзүйн дэлгэрэнгүй
Үндсэн зохиолчид: Jieui Kang, Jaeyoung Choi, Wonhui Noh, Jaehyeong Sim
Формат: Artigo
Хэл сонгох:Inglês
Хэвлэсэн: IEEE 2026-01-01
Цуврал:IEEE Access
Нөхцлүүд:
Онлайн хандалт:https://ieeexplore.ieee.org/document/11479587/
Шошгууд: Шошго нэмэх
Шошго байхгүй, Энэхүү баримтыг шошголох эхний хүн болох!