AI 요약 · 영어에서 AI 번역

OSCAR: Offline Spectral Covariance-Aware Rotation for 2-bit KV Cache Quantization

Zhongzhu Zhou, Donglin Zhuang, Jisen Li, Ziyan Chen, Shuaiwen Leon Song, Ben Athiwaratkun, Xiaoxia Wu

arXiv:2605.17757v1cs.LGcs.AIcs.DCcs.PF

TL;DR

Long-context LLM serving에는 attention과 정렬되지 않는 범용 rotation 문제를 해결하면서 INT2에서도 정확도를 유지하는 KV-cache 압축이 필요하다. OSCAR는 offline attention-aware covariance calibration으로 고정 rotation과 clipping을 도출해, serving 호환 배포를 지원하면서 여러 모델과 긴 context에서 BF16에 가까운 정확도를 유지한다.

  • 문제

    INT2 KV-cache quantization은 메모리를 절약하지만, 기존 data-oblivious rotation은 ultra-low-bit 정확도를 결정하는 attention 방향과의 정렬이 여전히 부족하다.

    출처: §1 · pp. 1–2
  • 방법

    OSCAR는 attention-aware covariance를 offline으로 추정하고, layer별 key/value rotation과 clipping threshold를 도출한 뒤 serving 중 고정 transform을 적용한다.

    출처: §1 · p. 2, §3 · p. 4
  • 결과

    2.28 BPE에서 OSCAR는 평가한 모델 전반에 걸쳐 BF16 accuracy frontier에 가깝게 유지되며, rotation-only INT2 baseline보다 long-context 성능 저하가 느리다.

    출처: §5.2 · p. 7
  • 시사점 및 한계

    OSCAR는 paged-attention serving과 호환되며, 대안적인 rotation target보다 downstream attention computation을 더 잘 보존하는 near-2-bit KV-cache 방식이다.

    출처: §4 · p. 5, §5.2 · p. 7, §5.3 · p. 8

    보고된 LiveCodeBench 결과는 32K generation cap을 사용하므로 일부 긴 출력이 잘리며, 더 긴 128K budget을 적용했을 때보다 score가 낮아진다.

    출처: §5.1 · p. 6

Abstract

from arXiv · show

INT2 KV-cache quantization is attractive for long-context LLM serving, but it remains difficult to make both accurate and deployable. Simple rotations such as Hadamard transforms reduce outliers, but still degrade at INT2 because they are not aligned with downstream attention. We propose OSCAR, an Ultra-low-bit KV Cache quantization method that estimates attention-aware covariance structures offline and uses them to derive fixed rotations and clipping thresholds for quantization. In this way, it aligns KV quantization with the covariance structures that attention actually consumes. More importantly, we not only provide theoretical justification but also develop a fully deployable OSCAR system with a custom INT2 attention kernel that remains compatible with paged KV-cache serving and fused kernel pipelines, enabling seamless integration into modern LLM serving frameworks such as SGLang and vLLM. We evaluate our methods on recent reasoning models with reasoning traces of up to 32k tokens across 5 tasks. On Qwen3-4B-Thinking-2507 and Qwen3-8B, OSCAR reduces the BF16 accuracy gap to 3.78 and 1.42 points, respectively, while naive rotation INT2 collapses to nearly zero. We further scale OSCAR to Qwen3-32B and GLM-4.7 (358B params), where it remains effectively on par with BF16. On long context - RULER-NIAH up to 128K, OSCAR remains robust on both Qwen3 models, while naive rotation INT2 collapses. System-wise, OSCAR reduces KV-cache memory by approximately 8x, improves throughput by up to 7x at large batch sizes under the same memory budget, and accelerates batch-size-1 decoding by up to 3x over BF16 due to reduced memory bandwidth overhead.

1 서론

Long-context serving에서는 KV-cache memory traffic이 핵심 병목이 되므로, 심각한 outlier 유발 정확도 손실에도 hardware-friendly INT2 compression이 요구된다. OSCAR는 raw activations를 단순히 평탄화하는 대신 downstream attention computation을 보존하는 attention-aware covariance rotations를 도출해 이 문제를 해결한다.

동기

  • INT2 KV-cache quantization은 fixed-width representation으로 큰 메모리 절감을 제공하며, context length, batch size, model depth에 따른 cache 증가를 직접 겨냥한다.각 decoded token은 증가하는 cache의 상당 부분을 GPU memory에서 읽어야 하므로, compression은 batch size를 늘리고 memory traffic을 줄일 수 있다.출처: §1 · pp. 1–2

과제

  • INT2 accuracy는 channel-wise outliers가 quantization scales를 지배하기 때문에 저하되며, 대부분의 정상적인 KV values가 소수의 유효 level에만 매핑된다.Generic rotations는 activation ranges를 평탄화할 수 있지만, random rotations는 여전히 data-oblivious하며 attention이 가장 강하게 읽는 방향을 식별하지 못한다.출처: §1 · p. 2

설계 원리

  • 제안하는 target은 attention의 correlation 및 score-weighted interactions를 따르므로, INT2 error가 모델이 덜 강하게 읽는 방향으로 밀려난다.INT2에서는 quantization levels가 네 개뿐이므로 이러한 alignment가 특히 중요하다.출처: §1 · p. 2

OSCAR

  • OSCAR는 lightweight calibration을 사용해 keys와 values에 대한 attention-aware rotations를 도출하고, raw cache reconstruction이 아니라 attention scores와 layer outputs의 error를 겨냥한다.이 framework는 natural frozen-error surrogate에서 최적인 covariance-target rotations를 통해 이론적으로 분석된다.출처: §1 · pp. 2–3

2 사전 지식과 동기

이 절에서는 attention, KV-cache 저장, uniform quantization을 정식화한 뒤, raw-cache reconstruction보다 attention-aware covariance가 downstream distortion을 더 잘 겨냥함을 보여 OSCAR의 동기를 제시한다. Figure 2는 full OSCAR가 cache, attention-score, output, propagated-hidden-state 단계 전반에서 error를 줄임을 보여준다.

Attention과 KV cache

  • 이 절에서는 Q, K, V를 사용하는 single-head attention [19]을 정의하며, 행별 score는 softmax(QKᵀ/√d)이고 output은 value row의 weighted sum이다.Autoregressive inference 동안 prefix K1:t와 V1:t가 KV cache에 저장된다.출처: §2 · p. 3

Quantization 표기법

  • symmetric uniform b-bit quantizer는 scale, rounding, clipping limit, dequantization을 거쳐 2^b개의 표현 가능한 code로 value를 mapping한다.이론에서는 matrix row에 element-wise quantization을 적용하며, 실험에서는 block size 128, 64, 또는 32로 head dimension을 quantize한다.출처: §2 · p. 3

Raw-cache reconstruction만으로 충분하지 않은 이유

  • Attention은 key를 logit을 통해, value를 weighted aggregation을 통해 소비하므로, raw-cache Euclidean reconstruction error를 최소화해도 downstream attention distortion이 직접 최소화되지는 않는다.Key distortion은 query covariance에 의해 결정되고, value distortion은 value row에 대한 attention weight에 의존한다.출처: §2 · p. 3
  • Full OSCAR는 cache, attention-score, attention-output, propagated-hidden-state 단계 전반에서 quantization error를 줄이며, Figure 2에서 naive INT2, Hadamard-only, clip-only variant보다 우수하다.비교는 AIME에서 Qwen3-4B-Thinking-2507을 사용하며, relative MSE와 KL divergence를 포함한 네 가지 error 관점을 보고한다.출처: §2 · pp. 3–4, Figure 2 · p. 4

3 알고리즘 설계: 오프라인 보정 및 정당화

OSCAR는 attention-aware rotation과 clipping threshold를 오프라인에서 보정한 뒤, mixed-precision cache layout을 통해 온라인으로 적용한다. 이 spectral rotation은 diagonal ambient-basis residual covariance 가정에서 frozen-error surrogate에 대해 이론적으로 최적이다.

오프라인 Covariance 보정

  • OSCAR는 calibration activation에서 attention-aware covariance matrix를 오프라인으로 추정하고, 이를 eigendecomposition한 뒤 eigenvector를 layer 및 head별 base rotation으로 사용한다.key의 경우 query-aware target covariance에서 Rk := UQ를 얻고, value의 경우 heuristic target covariance에서 Rv := US를 얻는다.출처: §3 · p. 4

Scale 결정 및 Clipping

  • OSCAR는 token별 clipping threshold를 오프라인에서 fitting하고, key와 value에 scale 및 zero point를 사용하는 affine asymmetric INT2 quantization을 적용한다.Percentile 기반 clipping은 quantization backend에서 outlier를 제어한다.출처: §3 · p. 4

온라인 배포

  • Serving 중에는 online phase가 mixed-precision cache layout을 통해 고정된 오프라인 변환을 적용한다.모든 covariance 및 rotation 추정은 소규모 calibration dataset에서 얻어진다.출처: §3 · p. 4

OSCAR Rotation

  • 최종 key 및 value rotation은 covariance 기반 rotation을 Hadamard transform 및 bit-reversal permutation과 결합해 energy를 재분배하고 인접 channel의 dynamic range를 균형화한다.Hadamard transform은 quantization geometry를 개선하고, bit reversal은 variance가 큰 channel과 작은 channel을 interleave한다.출처: §3 · p. 4

최적성 정당화

  • Diagonal ambient-basis residual covariance 아래에서 Rk = UQ와 Rv = US는 calibration dataset에 대한 해당 frozen-error surrogate objective를 최소화한다.이 정리는 주어진 residual 가정에서 단순한 spectral variant의 최적성을 확립한다.출처: §3 · pp. 4–5

4 시스템 설계: 2-bit KV Cache를 활용한 온라인 서빙

OSCAR는 paged attention과 고정밀 sink 및 recent-token window를 유지하면서 SGLang에 INT2 KV-cache 모드를 통합한다. Fused kernel은 혼합 BF16/INT2 cache segment를 갱신하고, demote하고, unpack하고, attention을 수행하며, value rotation을 흡수해 연산량과 latency를 줄인다.

KV Cache Layout

  • OSCAR는 full paged-attention compatibility [13]를 지원하며 SGLang [18]에 INT2 KV caching을 통합하고, BF16 sink와 recent-token window를 유지하면서 고정 rotation 이후의 middle context를 저장한다.Cache는 첫 S0개의 sink token과 가장 최근의 W개 token을 보존하며, 나머지 middle context에는 INT2 storage를 사용한다.출처: §4 · p. 5

KV Cache Update

  • Prefill 동안 fully fused Triton kernel 이 clipping과 quantization을 적용하고, byte당 four 2-bit values를 저장한다.Runtime은 clip value를 사용해 BF16 key와 value row를 기록한 뒤, 그 결과인 INT2 representation을 packing한다.출처: §4 · p. 5
  • Decoding이 진행되면 새 token이 BF16 recent window에 들어가고, 이후 fused Triton kernel이 가장 오래된 token을 INT2 middle region으로 demote한다.Demotion 중에도 동일한 clip–quantize 연산을 재사용하며, value rotation을 projection weight에 흡수해 연산량과 latency를 줄인다.출처: §4 · p. 5

Decoding Attention Kernel

  • Decoding 중 attention kernel은 cache index를 BF16과 INT2 segment로 partitions한 다음, INT2 byte를 unpack하고 복원된 value를 floating point로 누적한다.이를 통해 sink, recent, middle-cache region에 걸친 mixed-precision attention을 지원한다. 기존 decoding attention kernel은 두 번의 launch를 사용해 sequence segment를 처리하고 병합한다.출처: §4 · p. 5

5 실험

OSCAR는 5개 reasoning 및 coding benchmark와 RULER-NIAH long-context retrieval을 포함해 4가지 model configuration에서 평가된다. 거의 2-bit에 가까운 precision에서도 BF16 accuracy frontier에 근접하며 serving 중심의 평가와 deployment를 지원한다.

주요 Accuracy 비교

  • Qwen3-4B-Thinking-2507과 Qwen3-8B에서 OSCAR의 BF16 accuracy gap은 각각 3.78과 1.42 points로, 32K generation에서 BF16 frontier에 근접한 유일한 near-2-bit method다.비교는 4가지 model configuration과 5개 benchmark를 대상으로 하며, 주요 accuracy 결과는 Table 2에 보고된다.출처: Table 2 · p. 6, §5.2 · p. 7

Generation Protocol 및 Calibration

  • OSCAR는 model마다 한 번의 소규모 calibration pass를 사용해 재사용 가능한 per-layer rotation과 clipping threshold를 추정하며, task-specific calibration은 필요하지 않다.각 calibration pass는 8878 tokens에서 per-layer Q, K, V activation을 덤프한 뒤, 결과 parameter를 여러 benchmark에서 재사용한다.출처: §5.1 · p. 6

Long-Context Robustness

  • RULER-NIAH에서 context length가 4k에서 128k tokens로 증가할 때 OSCAR는 rotation-only INT2 baseline보다 성능이 더 느리게 저하된다.평가는 serving-compatible baseline을 사용하며, 누적된 attention-logit error가 증가하는 상황에서도 long-context attention이 안정적으로 유지되는지 검증한다.출처: Table 3 · p. 7, §5.2 · p. 7

Rotation 분석

  • Attention-aware eigenbasis와 Hadamard component는 모두 상당히 기여하며, bit reversal은 quantization geometry를 개선한다. 반면 대안적인 rotation target은 attention-aware target과 동등한 성능을 내지 못한다.Composed rotation은 R = U · HHad · Pbr이다. Bit reversal은 floating-point accuracy를 바꾸지 않지만 eigenvalue를 interleave해 per-group range를 더 균일하게 만든다.출처: §5.3 · pp. 7–8

Ablation 및 System Performance

  • Protection window (S, R)=(64, 256)은 accuracy-memory sweet spot이며, OSCAR는 테스트한 모든 batch size에서 BF16을 일관되게 앞서고 GLM-4.7-FP8에서 2.83× speedup에 도달한다.더 큰 protection window는 accuracy를 거의 높이지 못하면서 BF16 KV memory를 크게 증가시킨다. Throughput은 prefix warm-up을 포함한 long-context decoding에서 측정된다.출처: §5.3 · p. 8, §5.4 · p. 9

B BF16 OSCAR GEMM Attn Quant Other Total GEMM Attn Quant Other Total

OSCAR는 약 8× 더 작은 KV cache와 정확도를 보존하는 INT2 실행을 결합해 동시 장문 context workload에서 높은 serving 효율을 제공한다. 더 큰 batch로 확장되며 prefix-cache regime 전반에서 효과를 유지하고 paged 및 fused serving pipeline과 통합된다.

Serving throughput

  • BS=32에서 BF16 대비 7.83× throughput을 달성하며, 여러 model과 batch size에서 OSCAR가 Saw-INT4를 앞선다.이 이점은 BS=1에서도 이미 관찰되며 concurrency가 증가할수록 커진다. 이는 OSCAR의 감소된 KV-cache footprint가 주는 이점을 반영한다.출처: B BF16 OSCAR GEMM Attn Quant Other… · p. 10, Table 9 · p. 10

Long-context stress test

  • OSCAR의 uniform INT2 KV-cache는 100k-token stress test에서 throughput 향상을 지속하면서 28 requests까지 확장된다.이 stress test는 단일 H100에서 concurrent requests를 늘려가며 장문 context serving을 평가한다.출처: Figure 5 · p. 10, B BF16 OSCAR GEMM Attn Quant Other… · p. 11

Prefix-cache serving

  • prefix-cache hit ratio가 증가해도 OSCAR는 throughput-efficiency frontier에 있거나 그 근처를 유지하며, 추가적인 decode-time memory traffic이나 indirection 없이 aggressive INT2 baseline과 밀접하게 일치한다.더 높은 prefix-cache hit ratio는 prefill recomputation을 줄여 throughput frontier를 확장하며, 특히 더 큰 batch size에서 효과가 크다.출처: B BF16 OSCAR GEMM Attn Quant Other… · p. 10, Figure 6 · p. 11

Deployment and accuracy

  • OSCAR는 INT2 method 중 best accuracy를 달성하면서 paged KV-cache compatibility를 보존하고 fused SGLang decode kernel에 깔끔하게 통합된다.QuaRot-INT2는 throughput ceiling에 근접할 수 있지만 상당한 accuracy degradation을 겪는다.출처: B BF16 OSCAR GEMM Attn Quant Other… · p. 11

6 결론

OSCAR는 offline calibration을 통해 attention-aware covariance에서 고정 INT2 KV-cache rotation과 clipping threshold를 도출하며, fused serving 경로는 핵심 KV token을 보존하고 2-bit 메모리 및 serving 이점을 유지한다.

6 결론

  • OSCAR는 raw cache reconstruction 대신 한 번의 offline calibration pass에서 attention-aware target covariance로부터 고정 key/value rotation과 clipping threshold를 도출한다.Fused SGLang 경로는 historical KV token을 quantize하면서 sink 및 recent token을 보존해 naive INT2의 BF16 accuracy loss를 상당 부분 회복하고, 2-bit 메모리 및 serving 이점을 유지한다.출처: §6 · p. 11

A 추가 세부 사항 및 이론적 분석 · A.1 Hadamard Transform · A.2 Principal Component Analysis

이 절에서는 OSCAR에서 사용하는 고정 Hadamard post-rotation을 정식화하고, PCA가 KV compression을 위해 attention-induced covariance 방향에 정렬된 orthogonal basis를 어떻게 제공하는지 설명한다.

A.1 Hadamard Transform

  • 정규화된 Walsh-Hadamard matrix는 orthogonal하며, 모든 원소의 절댓값이 같고 transpose와 곱하면 identity가 된다.차원은 변환된 key 또는 value vector에서 추론되며, power-of-two 차원에서는 recursive definition이 가능하다.출처: §A.1 · p. 17
  • OSCAR는 attention-aware covariance rotation 뒤에 fixed Walsh-Hadamard transform을 적용해 rotated coordinate를 평활화하면서도 효율적인 deployment를 유지한다.Hadamard transform은 low-bit quantization에서 rounding하기 전에 outlier energy를 여러 channel로 분산한다 [9].출처: §A.1 · p. 17

A.2 Principal Component Analysis

  • PCA는 symmetric positive semidefinite covariance matrix를 A = VΛV⊤로 diagonalize하며, eigenvalue는 내림차순이고 음이 아닌 값으로 정렬된다.이 decomposition은 eigenvector 방향과 각 방향에 대응하는 variance를 제공한다.출처: §A.2 · p. 17
  • PCA top-r proposition은 r largest eigenvectors가 span하는 subspace가 rank-r projection을 최대화한다는 것을 보인다.증명에서는 orthonormal projected column을 사용하고, 가장 큰 r개의 eigenvalue에 전체 weight를 할당한다.출처: §A.2 · pp. 17–18
  • matrix가 attention-induced target covariance일 때 PCA는 KV compression에서 보존해야 할 중요도가 가장 높은 방향에 정렬된 orthogonal basis를 제공한다.이러한 정렬은 OSCAR의 covariance-aware rotation에 PCA-derived direction을 사용하는 근거가 된다.출처: §A.2 · p. 17

A.3 Target Covariance · A.5 Scale Determination 및 Per-token Clipping Details

OSCAR는 raw-cache covariance가 아니라 attention-aware covariance target인 key의 Q^TQ와 value의 V^TS^TSV로부터 rotation을 도출한 뒤, eigenspace alignment, Hadamard mixing, bit-reversal grouping을 결합해 low-bit quantization을 개선한다. 이 요소들은 attention importance를 균등화하고 outlier를 억제하며 per-group quantization 구조의 균형을 맞춘다. 경험적 이득은 attention이 실제로 소비하는 error에서 가장 뚜렷하게 나타난다.

A.3 Target Covariance

  • OSCAR는 raw-cache reconstruction이 아니라 downstream logit 및 output distortion을 대상으로 하므로, key rotation에는 Q^TQ를, value rotation에는 V^TS^TSV를 사용한다.Q^TQ는 query energy에 따라 key error에 가중치를 부여하고, V^TS^TSV는 attention aggregation 이후에도 크게 남는 value 방향을 포착한다.출처: §A.3 · pp. 18–19
  • OSCAR의 UQ, HHad, PK factor는 각각 importance direction을 정렬하고, channel importance를 균등화하며 outlier를 억제하고, contiguous quantization group 사이의 importance를 균형화한다.세 factor는 per-group low-bit quantization의 서로 다른 failure mode를 다루며 이 순서로 구성된다.출처: §A.3 · pp. 19, 20, 21, 24
  • Qwen3-8B에서 key 및 cache covariance eigenbasis는 거의 상관되지 않으며, 36개 layer 전체에서 top-8 self-alignment는 0.05–0.15로, random alignment 약 0.09와 비교된다.예를 들어 UQ rotation 후 layer 1에서는 diagonal energy가 0.90에서 0.09로, layer 16에서는 0.16에서 0.07로 변해 Q-side와 K-side objective를 분리해야 함을 뒷받침한다.출처: §A.3 · p. 20
  • OSCAR의 이점은 attention 이후에 나타난다. raw K- 및 V-reconstruction MSE가 rotation-only baseline보다 항상 크게 작아지는 것은 아니지만 QK^T 및 SV error는 상당히 낮다.이 방법은 cached tensor의 단순한 Euclidean reconstruction이 아니라 attention이 소비하는 quantity를 대상으로 한다.출처: §A.3 · p. 21, Figure 8c · p. 22, Figure 8d · p. 22

A.5 Scale Determination 및 Per-token Clipping Details

  • Deployment quantizer는 per-token, per-group INT2 min–max scale을 사용하므로 channel distribution과 contiguous group composition이 rotation 설계의 핵심이 된다.구체적인 예에서는 GK = 64를 사용하며, GK = d이면 permutation이 하나의 group 내부에만 머물러 PBR의 효과가 사라진다.출처: §A.3 · pp. 19, 21, 25

A.3 Target Covariance

  • 46.9×의 peak key-importance concentration은 UQ 후 Hadamard equalization을 적용하면 정확히 1.00×가 되며, transformed entry는 [−6.79, 7.03]의 좁은 band에 놓인다.Hadamard mixing은 importance metric을 균등화하면서 absolute range를 37.85에서 13.58로 줄여 2.8× 감소를 달성한다.출처: §A.3 · pp. 22–23
  • UQ만 사용하면 per-group INT2 quantization이 악화될 수 있다. group range가 각각 44.81 및 7.19에서 7.16 및 37.85로 변한다.이는 eigenbasis만 사용하는 대신 importance alignment 이후 Hadamard mixing과 group-balancing permutation을 적용해야 하는 이유를 보여준다.출처: §A.3 · p. 23
  • 1.23× lower tr(EK)는 GK = 64에서 8000 token에 걸쳐 PBR이 mean per-group max–min을 13.40에서 11.58로 줄인 결과다.이 설정에서 PBR은 UQHHad 대비 OSCAR의 residual improvement 대부분을 제공하며, GK = d이면 PK는 no-op이다.출처: §A.3 · pp. 23–24

A.6 정리 증명. 1 … D 논의

OSCAR의 이론은 frozen-error surrogate를 최소화해 covariance-target rotation을 도출하며, calibration 및 serving 절차를 통해 INT2 KV-cache quantization을 위한 고정 rotation과 clipping을 구현한다. 논의에서는 이 attention-aware 접근법을 기존 방법과 비교하고, 이론적·범위상의 한계를 지적하며, 오용 위험과 함께 접근성 향상을 강조한다.

A.6 정리 증명. 1

  • 정리 1은 내림차순 target-covariance eigenvalue와 오름차순 frozen residual-covariance eigenvalue를 짝지으면 key surrogate가 최소화됨을 증명하며, value에 대해서도 유사한 결과를 보인다.증명에서는 doubly stochastic matrix, Birkhoff polytope, rearrangement inequality를 사용하며, frozen residual covariance는 고정된 것으로 취급한다.출처: §A.6 · pp. 26–27

A.7 정리 1의 Surrogate Objective 정당화

  • Surrogate objective는 위치에 따라 달라지는 attention-error matrix를 전역 query 또는 value target covariance로 근사해 key와 value에 대해 다루기 쉬운 frozen-error objective를 제공한다.Key target은 query-covariance weighted이고, value target은 attention-covariance aware이므로 두 경우에 공통된 surrogate 형식을 사용한다.출처: §A.7 · pp. 27–28

B Algorithm Flow와 Serving Procedure

  • Algorithm 1은 layer별·head별 rotation과 clipping threshold를 calibration하고, cache에 쓰기 전에 rotation을 적용하며, BF16 sink/recent cache, rotated staging cache, packed INT2 history cache를 유지하는 방식으로 OSCAR를 구현한다.이 절차는 실험과 SGLang 구현에서 사용된 구체적인 방법이다.출처: B Algorithm Flow and Serving Procedure · p. 28, C Related Work · p. 29

C Related Work

  • 기존 rotation 기반 KV method는 downstream attention covariance와 정렬되지 않은 rotation을 사용하고 deploy 가능한 kernel이나 serving integration이 부족할 수 있어, 극단적인 INT2 수준에서는 실패할 수 있다.관련 연구에서는 이러한 한계와 OSCAR의 attention alignment 및 deployment 중점을 대비한다.출처: C Related Work · pp. 28–29
  • 기존 covariance 기반 또는 calibration 기반 compression method와 달리, OSCAR는 raw-cache statistics가 아니라 downstream attention이 유도하는 covariance를 추정해 고정 key/value rotation과 clipping threshold를 도출한다.이는 OSCAR를 covariance-aware quantization의 한 방법으로 위치시키면서, 해당 패러다임을 attention 및 serving-time INT2 KV quantization에 특화한다.출처: C Related Work · pp. 28–30

D 논의

  • 이론적 분석은 명시적 가정 아래 frozen-error surrogate에 대해서만 optimality를 확립하며, 완전한 autoregressive decoding process나 실제 attention objective에 대해서는 확립하지 않는다.향후 연구에서는 calibration estimator가 실제 attention objective에 대해 언제 unbiased하거나 optimal한지 증명해야 하며, 이 방법은 여전히 INT2 KV-cache quantization에 초점을 둔다.출처: D Discussion · p. 30
  • OSCAR는 KV-cache memory와 serving cost를 줄여 long-context inference를 더욱 접근 가능하고 에너지 효율적으로 만들 수 있으며, 동시에 기존 LLM의 오용 위험과 safety requirement를 그대로 유지한다.이 방법이 새로운 model capability를 도입하지는 않지만, 강력한 generative model을 더 저렴하게 deploy하면 오용 비용이 낮아질 수 있다.출처: D Discussion · p. 30

E 추가 실험 결과 · E.1 추가 동기 부여 그림

추가 동기 부여 그림은 covariance 기반 방향 분리와 Hadamard mixing을 결합함으로써 attention-aware rotation이 history-token 양자화를 개선함을 보여준다. Figures 9 and 10은 raw activation이나 Hadamard mixing만 사용한 경우보다 OSCAR가 더 균일한 activation 범위를 생성하는 방식을 보여준다.

E 추가 실험 결과

  • Figures 9 and 10은 history-token activation 양자화에서 attention-aware rotation의 추가적인 동기를 제공한다.출처: §E.1 · p. 30

E.1 추가 동기 부여 그림

  • Hadamard mixing은 energy를 여러 channel에 분산해 raw activation peak를 평탄화한다.출처: Figure 9 · p. 30
  • OSCAR는 target covariance를 사용해 attention에서 중요한 정도에 따라 방향을 추가로 분리한다.출처: Figure 9 · p. 30
  • 그런 다음 Hadamard transformation은 covariance로 분리된 각 부분을 더 균일한 activation range로 mixing한다.출처: Figure 9 · p. 30
  • 이 그림들은 attention-aware rotation이 history-token activation을 더 쉽게 양자화하도록 만든다는 점을 보여준다.출처: Figure 9 · p. 30

E.2 주요 정확도 실행 전체 표

이 절에서는 Qwen3-4B-Thinking, Qwen3-8B, Qwen3-32B, GLM-4.7-FP8에 대한 OSCAR의 독립 실행별 전체 정확도 표를 보고한다. 표에는 주요 Qwen3-4B-Thinking 설정, 세 가지 Qwen3-8B INT2 grouping 설정, Qwen3-32B 실행, 그리고 상세한 GLM-4.7-FP8 비교 결과가 포함된다.

Qwen3-4B-Thinking

  • Qwen3-4B-Thinking은 INT2 group size=128, sink=64, recent=256, cK = 0.96, cV = 0.92인 주요 OSCAR 설정을 사용한다.Table 11은 이 설정의 전체 결과를 보고한다.출처: Table 11 · p. 31, §E.2 · p. 31

Qwen3-8B

  • Qwen3-8B 정확도는 세 가지 INT2 grouping configurations에서 보고되며, 여기에는 전체 INT2 group=128 결과가 포함된다.Tables 12–14는 이러한 설정에 대한 5회의 독립 실행을 요약한다.출처: Table 12 · p. 31, §E.2 · p. 31

E.3 Ablation 세부 실행

이 절에서는 rotation decomposition, sink/recent-window, clipping threshold, calibration data ablation 연구를 구성하는 개별 실험 실행을 제시한다. 또한 Qwen3-8B, Qwen3-32B, GLM-4.7-FP8 구성의 전체 INT2 결과를 나열한다.

Rotation decomposition

  • Table 21은 Table 4에서 보고한 rotation decomposition 연구를 뒷받침하는 개별 Qwen3-8B 실행을 상세히 제시한다.이 실행들은 rotation decomposition ablation 분석을 뒷받침한다.출처: §E.3 · p. 31, Table 21 · p. 33

Sink 및 recent window

  • Table 22는 Table 5에서 보고한 sink/recent-window 연구를 뒷받침하는 개별 Qwen3-4B-Thinking-2507 실행을 상세히 제시한다.이 실행들은 sink 및 recent-window ablation 분석을 뒷받침한다.출처: §E.3 · p. 31, Table 22 · p. 34

Clip thresholds

  • Table 23은 Table 6의 기반이 된 sweep에서 각 clip-threshold 설정에 대한 task별 Qwen3-4B-Thinking-2507 결과를 보고한다.각 행은 하나의 (cK, cV) 설정에 해당하며, task마다 하나의 실행이 있다.출처: §E.3 · p. 31, Table 23 · p. 34
Loading 2605.17757v1…