谷歌论文揭示内存压垮股价，KV缓存缩减6倍内幕

梦晨 发自 凹非寺量子位 | 公众号 QbitAI

学术会议ICLR，居然和美光和西部数据大跌扯上关系了？

两家存储芯片巨头股价大跌，没有财报暴雷，没有供应链断裂，只是谷歌展示了一篇即将在ICLR 2026正式亮相的论文。

谷歌研究院推出TurboQuant压缩算法，把AI推理过程中最吃内存的KV cache压缩至少6倍，精度零损失

市场的解读简单粗暴，长上下文AI推理以后不需要那么多内存了，利空内存。

网友纷纷表示，这不就是美剧《硅谷》里的Pied Paper？

Pied Piper是2014年开播的HBO经典美剧《硅谷》里的虚构创业公司，核心技术就是一种“近乎无损的极限压缩算法”。

2026年，类似的算法在现实世界居然成真了。

KVCache量化到3 bit

要理解TurboQuant为什么重要，先得理解它解决的是什么问题。

AI大模型推理时处理过的信息会临时存在KV Cache，方便后续快速调用，不用每次从头算起。

问题是随着上下文窗口越来越长，内存消耗急剧膨胀。KV cache正在成为AI推理的核心瓶颈之一。

传统的解决思路是向量量化，把高精度数据压成低精度表示。

但尴尬的是，大部分量化方法本身也需要存储额外的“量化常数”，每个数字要多占1到2个bit。

TurboQuant用两个改动把这个额外开销干到了零。

PolarQuant（极坐标量化）：

不用传统的X、Y、Z坐标描述数据，转而用极坐标”距离+角度”。

谷歌团队发现，转换后角度的分布非常集中且可预测，根本不需要额外存储归一化常数。

就像把“往东走3个路口，往北走4个路口”压缩成”朝37度方向走5个路口”。

信息量不变，描述更紧凑，还省掉了坐标系本身的开销。

QJL（量化JL变换）：

把高维数据投影后压缩成+1或-1的符号位，完全不需要额外内存。TurboQuant用它来消除PolarQuant压缩后残留的微小误差。

两者组合后PolarQuant先用大部分bit容量捕捉数据的主要信息，QJL再用1个bit做残差修正。

最终实现3-bit量化，无需任何训练或微调，精度零损失。

8倍加速，Benchmark全线拉满

谷歌团队在Gemma和Mistral等开源模型上，跑了主流长上下文基准测试，覆盖问答、代码生成、摘要等多种任务。

在“大海捞针”任务上，TurboQuant在所有测试中拿下完美分数，同时KV cache内存占用缩小了至少6倍。

PolarQuant单独使用，精度也几乎无损。

速度提升同样显著。在英伟达H100 GPU上，4-bit TurboQuant计算注意力分数的速度，比32-bit未量化版本快了8倍。

不只是省内存，还更快了。

在向量搜索领域，TurboQuant同样超越了现有最优量化方法的召回率，而且不需要针对具体数据集做调优，也不依赖低效的大码本。

AI内存的DeepSeek时刻？

Cloudflare CEO评价“这是谷歌的DeepSeek时刻”。

他认为DeepSeek证明了用更少的资源也能训出顶尖模型。

TurboQuant的方向类似，用更少的内存，也能跑同样质量的推理。

谷歌表示，TurboQuant除了可以用在Gemini等大模型上，同时还能大幅提升语义搜索的效率，让谷歌级别的万亿级向量索引查询更快、成本更低。

不过TurboQuant目前还只是一个实验室成果，尚未大规模部署。

更关键的是，它只解决推理阶段的内存问题。而AI训练环节完全不受影响。

论文地址：
https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/

[1]https://x.com/eastdakota/status/2036827179150168182?s=20