3 月 24 日，Google Research 發(fā)布了一套名為 TurboQuant 的向量量化壓縮算法，宣稱能將大語言模型的 KV 緩存（Key-Value Cache）壓縮至僅 3 比特，同時實現(xiàn)零精度損失。

在 NVIDIA H100 GPU 上的測試中，4 比特精度的 TurboQuant 在計算注意力 logits 時取得了相比 32 位未量化基線高達 8 倍的性能提升。這篇論文將于下月在 ICLR 2026 上正式發(fā)表，第一作者 Amir Zandieh 是 Google Research 的研究科學家，通訊作者 Vahab Mirrokni 是 Google Research 副總裁兼 Google Fellow。

圖丨相關(guān)論文（來源：arXiv）

消息發(fā)布當天，資本市場給出了自己的解讀。內(nèi)存芯片廠商 SanDisk（SNDK）股價在周三交易時段下跌約 5%，收于 677.86 美元。分析師指出，TurboQuant 所代表的極端壓縮技術(shù)路線，對于一家憑借 AI 驅(qū)動的內(nèi)存需求在 2025 年股價飆漲近 196% 的芯片公司而言，構(gòu)成了直接的敘事威脅。這個市場反應(yīng)或許有些過度，但華爾街的焦慮也不無道理，畢竟 KV 緩存的內(nèi)存開銷，確實已經(jīng)是 LLM 運營者賬單上最大的單項成本之一。

大語言模型在生成文本時，每處理一個 token 都需要計算并存儲一組 key 和 value 向量，以便后續(xù)生成時不必從頭重算。這些向量逐 token 累積，內(nèi)存占用隨上下文長度線性增長。

以 Llama 3 70B 參數(shù)模型為例，當并發(fā)服務(wù) 512 個請求、每個請求的 prompt 長度為 2,048 個 token 時，僅 KV 緩存就需要大約 512GB 的存儲空間，幾乎是模型權(quán)重本身所需內(nèi)存的四倍。上下文窗口越長，這個數(shù)字就越夸張。對于任何在生產(chǎn)環(huán)境中運行 LLM 的團隊來說，KV 緩存的內(nèi)存開銷早已從技術(shù)細節(jié)升級為成本核心。

傳統(tǒng)的向量量化方法確實可以壓縮 KV 緩存，把浮點數(shù)映射到低比特的整數(shù)表示，但大多數(shù)方案都面臨一個共同的尷尬：為了保證量化精度，每個數(shù)據(jù)塊都需要額外存儲一組全精度的量化常數(shù)（比如縮放因子和零點），這些常數(shù)本身會增加 1 到 2 個比特的額外開銷，相當于一邊壓縮一邊又把空間還回去。TurboQuant 瞄準的正是這個問題。

TurboQuant 本質(zhì)上是三篇論文的組合成果。第一個組件叫 PolarQuant，將在 AISTATS 2026 上發(fā)表。它的核心思路是對輸入向量做一次隨機旋轉(zhuǎn)，將數(shù)據(jù)從標準的笛卡爾坐標系轉(zhuǎn)換到極坐標系。傳統(tǒng)量化方法在笛卡爾坐標下工作，需要為每個數(shù)據(jù)塊單獨計算歸一化參數(shù)，而極坐標變換后，向量被分解為一個半徑（代表信號強度）和一組角度（代表方向信息）。

關(guān)鍵在于，旋轉(zhuǎn)后每個坐標的分布會收斂到一個已知的 Beta 分布（高維下近似高斯分布），且不同坐標之間近似獨立。這意味著可以對每個坐標獨立地使用最優(yōu)的標量量化器（通過經(jīng)典的 Lloyd-Max 算法求解連續(xù)一維 k-means 問題），不再需要存儲逐塊的量化常數(shù)，從根本上消除了傳統(tǒng)方法的內(nèi)存開銷。

第二個組件是 QJL（Quantized Johnson-Lindenstrauss，量化 JL 變換），已于 AAAI 2025 發(fā)表。QJL 利用經(jīng)典的 Johnson-Lindenstrauss 變換將高維數(shù)據(jù)降維，同時把每個結(jié)果值壓到只剩一個符號位（+1 或 -1），整個過程零額外內(nèi)存開銷。它的價值在于提供無偏的內(nèi)積估計，這對注意力計算至關(guān)重要。

TurboQuant 將兩者組合成一個兩階段流水線：先用 PolarQuant 以 b-1 比特的精度完成主體壓縮，吃掉絕大部分誤差；再對殘差（主體壓縮后剩余的微小誤差）施加 1 比特的 QJL 變換，消除內(nèi)積估計中的偏差。論文從信息論角度證明，這種組合方案的失真率與 Shannon 下界之間只差一個約 2.7 的常數(shù)因子。換句話說，TurboQuant 在理論上已經(jīng)非常接近任何壓縮算法所能達到的最優(yōu)邊界。

實驗結(jié)果的亮點集中在幾個方面。在“大海撈針”（Needle-in-a-Haystack）測試中，TurboQuant 在將 KV 緩存壓縮至少 6 倍的情況下，取得了與未壓縮基線完全一致的 0.997 分，而此前廣泛使用的 KIVI 方法在同等壓縮條件下得分為 0.981，SnapKV 和 PyramidKV 等 token 級剪枝方案的表現(xiàn)則更弱。

在 LongBench 基準上，覆蓋問答、摘要、代碼補全和 few-shot 學習等任務(wù)，3.5 比特的 TurboQuant 在 Llama-3.1-8B-Instruct 上取得了 50.06 的平均分，與 16 比特全精度緩存的 50.06 持平；即便壓到 2.5 比特，平均分也只微降至 49.44。

圖丨大海撈針基準測試結(jié)果（來源：arXiv）

在向量搜索場景中，TurboQuant 同樣表現(xiàn)突出。研究團隊在 GloVe（200 維）和 OpenAI 嵌入（1536 維、3072 維）數(shù)據(jù)集上將其與 Product Quantization（PQ）和 RabitQ 做了對比。TurboQuant 在各個維度和比特精度下的 1@k 召回率均優(yōu)于兩個基線，且完全不需要離線構(gòu)建碼本，PQ 需要 37 秒的碼本構(gòu)建時間（200 維、4 比特），RabitQ 需要 597 秒，TurboQuant 只需 0.0007 秒，幾乎可以忽略。這意味著它天然適合數(shù)據(jù)持續(xù)更新的在線索引場景。

圖丨GloVe 數(shù)據(jù)集（d=200）基準測試結(jié)果（來源：Google Researc）

值得一提的是，近期英偉達發(fā)布的 KVTC（KV Cache Transform Coding）也致力于這一方向（同樣被 ICLR 2026 接收），且宣稱可達 20 倍壓縮，精度損失控制在 1 個百分點以內(nèi)。不過兩者嚴格來說解決的是不同環(huán)節(jié)的問題。

TurboQuant 是向量量化路線，目標是在推理過程中即時把 KV cache 壓到低比特，然后直接用量化后的數(shù)據(jù)計算注意力，同時還兼顧向量搜索場景。 KVTC 走的是變換編碼路線，借鑒 JPEG 圖像壓縮的思路：先用 PCA 去相關(guān)，再做自適應(yīng)量化，最后用 DEFLATE 熵編碼進一步壓縮。它更側(cè)重于 KV cache 的緊湊存儲與傳輸，典型場景是多輪對話之間把 cache 卸載到 CPU 或 SSD 再恢復(fù)，或者跨請求復(fù)用 cache。

NVIDIA 研究員 Adrian Lancucki 在接受 VentureBeat 采訪時也明確表示，KVTC 針對的是長上下文、多輪對話場景。相比較而言，TurboQuant則針對的是推理計算路徑上的實時壓縮。

在此之前，KV 緩存量化領(lǐng)域的標準基線是 2024 年發(fā)表于 ICML 的 KIVI，它引入了非對稱 2 比特量化方案，實現(xiàn)了約 2.6 倍的內(nèi)存壓縮。KIVI 已經(jīng)集成進了 HuggingFace Transformers，是目前部署最廣泛的方案之一。TurboQuant 在同類向量量化路線上直接把壓縮比從 2.6 倍拉到 6 倍以上，且不需要任何校準數(shù)據(jù)，進步幅度相當明顯。

需要指出的是，TurboQuant 論文中的實驗?zāi)Ｐ鸵?guī)模止步于 8B 參數(shù)左右（Llama-3.1-8B-Instruct、Ministral-7B-Instruct），尚未在 70B 或更大規(guī)模的模型上驗證。而恰恰是在這些大模型上，KV 緩存的壓縮才最迫切、收益也最大。

另外，這篇論文最早于 2025 年 4 月就出現(xiàn)在 arXiv 上，到現(xiàn)在快一年了，谷歌也沒有公布官方的代碼實現(xiàn)或與現(xiàn)有推理框架（如 vLLM、TensorRT-LLM）的集成計劃，雖然社區(qū)已經(jīng)出現(xiàn)了基于 Triton、MLX 和 llama.cpp 的第三方實現(xiàn)嘗試。

Mirrokni 團隊此前的 Titans 架構(gòu)和 Nested Learning 范式也是類似情況，論文效果亮眼，學術(shù)社區(qū)討論熱烈，但官方代碼始終沒有釋出，落地全靠第三方復(fù)現(xiàn)。TurboQuant 是否會重復(fù)這個模式，目前還不好說。

從這一點上來說，內(nèi)存股價跌得可能有點太早了，更何況，AI 模型對內(nèi)存的胃口，總是會迅速膨脹到填滿所有可用空間。SemiAnalysis 此前在分析 HBM 發(fā)展路線時提過一個觀察，可以叫“內(nèi)存帕金森定律”：每一輪硬件升級或軟件優(yōu)化釋放出來的余量，很快就會被更長的上下文窗口、更大的批處理規(guī)模、更復(fù)雜的推理管線吞掉。

所以，TurboQuant 省下來的那 5 倍內(nèi)存，大概率不會讓 GPU 閑著，它會被用來服務(wù)更多并發(fā)請求、處理更長的文檔，或者跑原本塞不下的大模型。壓縮技術(shù)擴大的是推理效率的供給側(cè)，不是在縮減內(nèi)存的需求總量。

參考資料：

1.https://arxiv.org/pdf/2504.19874

2.https://arxiv.org/pdf/2511.01815

3.https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/

運營/排版：何晨龍