通俗解释
自回归生成时，每个新 token 都要和之前所有 token 做注意力。缓存之前算好的 K/V 后，每步只需算新 token，速度大增，但显存随上下文长度线性增长，这也是 GQA、MLA、PagedAttention 要解决的问题。
用在哪里：所有基于注意力的大模型推理引擎；线性注意力模型（如 Laplace 3B）用固定大小状态代替 KV Cache
时间轴 · 前置 → 当前 → 后继
01原始论文
! 没有可在线核实的单一原始论文
属于工程技巧，无单一原始论文；系统性的 KV Cache 显存与带宽分析见 Pope 等，Efficiently Scaling Transformer Inference，arXiv:2211.05102（2022，DataCite 核实）。原始出处仍待核实
02知识位置
左边先学；右边是学完它之后可以学的。
KV Cache
相关：分组查询注意力 GQA
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
U60 解码、采样与 KV Cache 预填充与解码、温度/top-p、KV Cache、内存带宽瓶颈。 6 小时4 个算法2 篇论文已有正文 U63 在本地运行大模型 llama.cpp、Ollama、MLX、显存估算与选型。 4 小时3 个算法0 篇论文
所在学习路线：从零理解一个大模型
给 AI 读 / 数据说明
- 核实状态：待核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
kv-cache)