7 月 1 日，韩国 AI 基础设施公司 **Dnotitia** 联合 UC San Diego VVIP Lab 开源了 **STAR-KV**，并入选 ICML 2026 **Spotlight**（约占已接收论文 8.4%）。在 LLaMA-3.1-8B、128K 上下文、batch size 4 的设定下，KV 缓存会吃下约 81% 的显存——STAR-KV 想正面回答"长上下文推理的显存墙，是否能被压到不构成瓶颈"。 ## 三个招式串成一条管线 STAR-KV 全称"**Low-Rank KV Cache Compression via Soft Thresholding for Adaptive Rank Control**"。技术是把三件常见事打包成一条链路： 1. 低秩近似先把 KV 砍掉 75%；2. 混合精度量化把压缩比推到最高 20×；3. 自研 GPU kernel 减少 attention 的冗余访存。 作者报告：attention 计算最高提速 **6.9×**，生成吞吐最高 **3.1×**，并在多个评测上的精度**高于** KVTC（ICLR 2026、Transform Coding）和 Google 的 TurboQuant。代码已开源，下一步计划集成进 vLLM。 ## 真正的差异点是"软阈值" KV 压缩这条线，从 H2O 到 KVTC 再到 TurboQuant 已经卷过好几轮。STAR-KV 的差异点在于**"软阈值 + 自适应秩"**：模型按每一层、每一段上下文自动决定低秩近似程度，而不是像 KVTC 那样用一套统一的 Transform Coding 系数硬切。**STAR-KV 把"压多少"这件事从手工超参变成可学习控制量**，粒度更细，精度损失更可控。 ## 工程化正在接管这场仗 ICML 2026 主会场就在首尔，Dnotitia 作为韩国 AI Infra 公司把论文送进 Spotlight，叠加开源 + 计划 vLLM 集成，提示一个转折信号：**长上下文推理这条赛道，已经从"论文比拼加速比"进入了"工程化选型"阶段**。 对中文社区，比起数字，更值得关注的指标是：**谁先在 vLLM / SGLang 上把端到端长上下文吞吐稳定跑出来，并保持精度不掉**。TurboQuant 与 STAR-KV 先后出现，"长上下文 = 贵"的认知可能走到工程落地拐点——前提是这些压缩方法真能撑得住长程 Agent 和 1M token 上下文的生产负载。