英伟达的研究团队取得了一项突破：他们找到了让KV缓存在不同模型之间迁移的方法。目标模型可以直接跳过预填充阶段，转换速度比重新处理上下文快2. 7 到 25 倍。
要理解这个突破的意义，需要先了解KV缓存的作用。在使用ChatGPT或Claude时，你会发现第一个词的生成总是明显更慢，然后后面的内容几乎是瞬间涌出。这背后是一个刻意设计的机制——模型在生成第一个词之前，需要处理整个输入上下文，把中间结果存储为KV缓存。之后的每个词都可以复用这些缓存，所以速度快得多。
问题在于，KV缓存一直是”一次一模型”的。如果你切换到另一个模型，或者升级了模型版本，之前计算好的缓存就全废了，新模型必须从头开始处理整个上下文。对于长文本场景，这意味着大量的重复计算和时间浪费。
英伟达的方案让KV缓存变得可迁移。一个模型计算出的缓存，经过转换后可以被另一个模型直接使用，目标模型完全跳过预填充阶段。转换过程本身也比重新处理上下文快得多——速度提升在2. 7 倍到 25 倍之间，具体取决于模型和上下文的复杂度。
这对AI行业的影响是深远的。当前LLM API的使用成本中有相当一部分来自上下文处理，尤其是长对话和长文档场景。如果KV缓存可以在模型之间迁移，意味着用户在切换模型时不必承担重复计算的成本，模型升级时也不必丢弃已有的对话上下文。这项研究可能会改变AI推理基础设施的设计方式，让模型之间的切换变得更加流畅和经济。
