谷歌新论文证明LLM可以少吃80%内存，闪迪盘中跌去50亿美元，但跌得可能有点早

来源：DeepTech深科技

3 月 24 日，Google Research 发布了一套名为 TurboQuant 的向量量化压缩算法，宣称能将大语言模型的 KV 缓存（Key-Value Cache）压缩至仅 3 比特，同时实现零精度损失。

在 NVIDIA H100 GPU 上的测试中，4 比特精度的 TurboQuant 在计算注意力 logits 时取得了相比 32 位未量化基线高达 8 倍的性能提升。这篇论文将于下月在 ICLR 2026 上正式发表，第一作者 Amir Zandieh 是 Google Research 的研究科学家，通讯作者 Vahab Mirrokni 是 Google Research 副总裁兼 Google Fellow。

消息发布当天，资本市场给出了自己的解读。内存芯片厂商 SanDisk（SNDK）股价在周三交易时段下跌约 5%，收于 677.86 美元。分析师指出，TurboQuant 所代表的极端压缩技术路线，对于一家凭借 AI 驱动的内存需求在 2025 年股价飙涨近 196% 的芯片公司而言，构成了直接的叙事威胁。这个市场反应或许有些过度，但华尔街的焦虑也不无道理，毕竟 KV 缓存的内存开销，确实已经是 LLM 运营者账单上最大的单项成本之一。

大语言模型在生成文本时，每处理一个 token 都需要计算并存储一组 key 和 value 向量，以便后续生成时不必从头重算。这些向量逐 token 累积，内存占用随上下文长度线性增长。

以 Llama 3 70B 参数模型为例，当并发服务 512 个请求、每个请求的 prompt 长度为 2,048 个 token 时，仅 KV 缓存就需要大约 512GB 的存储空间，几乎是模型权重本身所需内存的四倍。上下文窗口越长，这个数字就越夸张。对于任何在生产环境中运行 LLM 的团队来说，KV 缓存的内存开销早已从技术细节升级为成本核心。

传统的向量量化方法确实可以压缩 KV 缓存，把浮点数映射到低比特的整数表示，但大多数方案都面临一个共同的尴尬：为了保证量化精度，每个数据块都需要额外存储一组全精度的量化常数（比如缩放因子和零点），这些常数本身会增加 1 到 2 个比特的额外开销，相当于一边压缩一边又把空间还回去。TurboQuant 瞄准的正是这个问题。

TurboQuant 本质上是三篇论文的组合成果。第一个组件叫 PolarQuant，将在 AISTATS 2026 上发表。它的核心思路是对输入向量做一次随机旋转，将数据从标准的笛卡尔坐标系转换到极坐标系。传统量化方法在笛卡尔坐标下工作，需要为每个数据块单独计算归一化参数，而极坐标变换后，向量被分解为一个半径（代表信号强度）和一组角度（代表方向信息）。

视频丨PolarQuant 充当了高效的压缩桥梁，将笛卡尔输入转换为紧凑的极坐标“速记”形式，以便进行存储和处理。该机制首先从 d 维向量中提取成对的坐标，并将其映射到极坐标系中。随后，半径被成对收集并进行递归极坐标变换，这一过程不断重复，直到数据被提炼为一个最终半径和一系列描述性角度。（来源：Google Research）

关键在于，旋转后每个坐标的分布会收敛到一个已知的 Beta 分布（高维下近似高斯分布），且不同坐标之间近似独立。这意味着可以对每个坐标独立地使用最优的标量量化器（通过经典的 Lloyd-Max 算法求解连续一维 k-means 问题），不再需要存储逐块的量化常数，从根本上消除了传统方法的内存开销。

第二个组件是 QJL（Quantized Johnson-Lindenstrauss，量化 JL 变换），已于 AAAI 2025 发表。QJL 利用经典的 Johnson-Lindenstrauss 变换将高维数据降维，同时把每个结果值压到只剩一个符号位（+1 或 -1），整个过程零额外内存开销。它的价值在于提供无偏的内积估计，这对注意力计算至关重要。

TurboQuant 将两者组合成一个两阶段流水线：先用 PolarQuant 以 b-1 比特的精度完成主体压缩，吃掉绝大部分误差；再对残差（主体压缩后剩余的微小误差）施加 1 比特的 QJL 变换，消除内积估计中的偏差。论文从信息论角度证明，这种组合方案的失真率与 Shannon 下界之间只差一个约 2.7 的常数因子。换句话说，TurboQuant 在理论上已经非常接近任何压缩算法所能达到的最优边界。

实验结果的亮点集中在几个方面。在“大海捞针”（Needle-in-a-Haystack）测试中，TurboQuant 在将 KV 缓存压缩至少 6 倍的情况下，取得了与未压缩基线完全一致的 0.997 分，而此前广泛使用的 KIVI 方法在同等压缩条件下得分为 0.981，SnapKV 和 PyramidKV 等 token 级剪枝方案的表现则更弱。

在 LongBench 基准上，覆盖问答、摘要、代码补全和 few-shot 学习等任务，3.5 比特的 TurboQuant 在 Llama-3.1-8B-Instruct 上取得了 50.06 的平均分，与 16 比特全精度缓存的 50.06 持平；即便压到 2.5 比特，平均分也只微降至 49.44。

图丨大海捞针基准测试结果（来源：arXiv）

在向量搜索场景中，TurboQuant 同样表现突出。研究团队在 GloVe（200 维）和 OpenAI 嵌入（1536 维、3072 维）数据集上将其与 Product Quantization（PQ）和 RabitQ 做了对比。TurboQuant 在各个维度和比特精度下的 1@k 召回率均优于两个基线，且完全不需要离线构建码本，PQ 需要 37 秒的码本构建时间（200 维、4 比特），RabitQ 需要 597 秒，TurboQuant 只需 0.0007 秒，几乎可以忽略。这意味着它天然适合数据持续更新的在线索引场景。

图丨GloVe 数据集（d=200）基准测试结果（来源：Google Research）

值得一提的是，近期英伟达发布的 KVTC（KV Cache Transform Coding）也致力于这一方向（同样被 ICLR 2026 接收），且宣称可达 20 倍压缩，精度损失控制在 1 个百分点以内。不过两者严格来说解决的是不同环节的问题。

TurboQuant 是向量量化路线，目标是在推理过程中即时把 KV cache 压到低比特，然后直接用量化后的数据计算注意力，同时还兼顾向量搜索场景。 KVTC 走的是变换编码路线，借鉴 JPEG 图像压缩的思路：先用 PCA 去相关，再做自适应量化，最后用 DEFLATE 熵编码进一步压缩。它更侧重于 KV cache 的紧凑存储与传输，典型场景是多轮对话之间把 cache 卸载到 CPU 或 SSD 再恢复，或者跨请求复用 cache。

NVIDIA 研究员 Adrian Lancucki 在接受 VentureBeat 采访时也明确表示，KVTC 针对的是长上下文、多轮对话场景。相比较而言，TurboQuant则针对的是推理计算路径上的实时压缩。

在此之前，KV 缓存量化领域的标准基线是 2024 年发表于 ICML 的 KIVI，它引入了非对称 2 比特量化方案，实现了约 2.6 倍的内存压缩。KIVI 已经集成进了 HuggingFace Transformers，是目前部署最广泛的方案之一。TurboQuant 在同类向量量化路线上直接把压缩比从 2.6 倍拉到 6 倍以上，且不需要任何校准数据，进步幅度相当明显。

需要指出的是，TurboQuant 论文中的实验模型规模止步于 8B 参数左右（Llama-3.1-8B-Instruct、Ministral-7B-Instruct），尚未在 70B 或更大规模的模型上验证。而恰恰是在这些大模型上，KV 缓存的压缩才最迫切、收益也最大。

另外，这篇论文最早于 2025 年 4 月就出现在 arXiv 上，到现在快一年了，谷歌也没有公布官方的代码实现或与现有推理框架（如 vLLM、TensorRT-LLM）的集成计划，虽然社区已经出现了基于 Triton、MLX 和 llama.cpp 的第三方实现尝试。

Mirrokni 团队此前的 Titans 架构和 Nested Learning 范式也是类似情况，论文效果亮眼，学术社区讨论热烈，但官方代码始终没有释出，落地全靠第三方复现。TurboQuant 是否会重复这个模式，目前还不好说。

从这一点上来说，内存股价跌得可能有点太早了，更何况，AI 模型对内存的胃口，总是会迅速膨胀到填满所有可用空间。SemiAnalysis 此前在分析 HBM 发展路线时提过一个观察，可以叫“内存帕金森定律”：每一轮硬件升级或软件优化释放出来的余量，很快就会被更长的上下文窗口、更大的批处理规模、更复杂的推理管线吞掉。

所以，TurboQuant 省下来的那 5 倍内存，大概率不会让 GPU 闲着，它会被用来服务更多并发请求、处理更长的文档，或者跑原本塞不下的大模型。压缩技术扩大的是推理效率的供给侧，不是在缩减内存的需求总量。

参考资料：

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/

运营/排版：何晨龙