본 논문은 추론 모델의 사고 과정 추론(chain-of-thought reasoning) 시 과도하게 긴 출력으로 인해 발생하는 KV 캐시 문제를 해결하기 위해, 중복 토큰을 고려한 새로운 KV 캐시 압축 방법인 R-KV를 제안합니다. R-KV는 기존 방법보다 훨씬 효율적으로 KV 캐시 크기를 줄여 (10% 크기로 100% 성능 유지, 16% 크기로 105% 성능 달성) 메모리 사용량을 90% 절감하고 처리량을 6.6배 향상시킵니다. 두 가지 수학적 추론 데이터셋에서 기존 방법보다 우수한 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
사고 과정 추론 모델의 효율성을 크게 향상시키는 새로운 KV 캐시 압축 방법 R-KV 제시.
◦
기존 방법 대비 압도적인 메모리 절약 및 처리량 향상 효과 확인.
◦
수학적 추론 문제 해결에 있어 뛰어난 성능 개선을 입증.
•
한계점:
◦
R-KV의 성능 향상이 수학적 추론 데이터셋에 국한됨. 다른 유형의 추론 문제에 대한 일반화 가능성 추가 연구 필요.
◦
제안된 방법의 적용 가능성 및 효율성이 다양한 모델 아키텍처와 크기에 따라 달라질 수 있음. 다양한 모델에 대한 추가 실험 필요.