推理型视觉-语言模型（VLM）因大型多模态上下文和不断增长的推理轨迹而对 KV 缓存提出了大量需求。低秩 KV 压缩已成为一种有前景的范式，它存储 KV 状态的低维潜在变量，并且可以与量化相结合。然而，现有的低秩方法在与量化相结合时，往往会导致密集模型的预测策略漂移日益加剧。

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2611.15569v1)获取最准确的信息。

---
🔗 **原文链接**: [TraceKV: Policy-Preserving Low-Rank KV Cache Compression for](https://arxiv.org/abs/2611.15569v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Ke Li, Zishan Shao, Yiran Chen

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
推理能力是LLM的下一个战场。这篇文章技术细节到位，适合有一定基础的同学细读。
多模态正在逼近实用门槛。如果你想做产品级落地，这篇文章值得读。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-11-13 13:01