EMNLP 2026 论文揭示 KV 缓存压缩下答案-证据鸿沟
热点事件持续更新
EMNLP 2026 论文揭示 KV 缓存压缩下答案-证据鸿沟
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Mengting Ai 等研究团队发表经 EMNLP 2026 接收的论文，针对大推理模型在 KV 缓存压缩场景下的表现展开评估，正式提出“答案-证据鸿沟”概念并公布研究结果。该研究在数学推理、科学问答、临床计算及长上下文检索任务中，测试了 3 个大推理模型，代码已公开。 测试结果显示，在 10 种 token 驱逐方法中，模型最终答案准确率虽能维持，但推理轨迹的证据链支持大幅削弱，二者出现显著脱节。相比之下，一种保持覆盖率的量化方法受影响较小，表明故障根源在于对推理轨迹部分的访问缺失，而非单纯的 KV 内存缩减。
AI 根据报道生成 · 1 小时前更新
最新进展10月27日 12:00
研究揭示 KV 缓存压缩下的“答案-证据鸿沟”：准确率保持不等于推理忠实性报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv · NLP研究揭示 KV 缓存压缩下的“答案-证据鸿沟”：准确率保持不等于推理忠实性
针对大推理模型，研究指出 KV 缓存压缩下最终答案准确率与推理忠实度可能出现脱节。 该“答案-证据鸿沟”在 10 种 token 驱逐方法中显著存在，这些方法能维持答案准确率但大幅削弱证据链支持。 相比之下，一种保持覆盖率的量化方法受影响较小，表明故障源于对推理轨迹部分的访问缺失而非单纯的 KV 内存缩减。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。