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：
- 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。