热点事件持续更新
KPA：用Kronecker积分解压缩KV缓存
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
研究者提出 Kronecker Product Attention（KPA），将 key 和 value 激活表示为紧凑的、依赖 token 的矩阵因子的 Kronecker 乘积之和，以实现内存高效的 KV 压缩。该方法严格泛化了 Tensor Product Attention（TPA）。该成果发表于 arXiv（Machine Learning Theory，2026-10-12），目前公开信息仅涉及方法提出与理论定位，尚无实验数据或第三方验证报道。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
2026-10-12 研究者提出KPA，用Kronecker乘积分解压缩KV缓存，严格泛化TPA。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv · Machine Learning TheoryKronecker Product Attention：用结构化分解实现内存高效的 KV 压缩
研究者提出 Kronecker Product Attention（KPA），将 key 和 value 激活表示为紧凑的、依赖 token 的矩阵因子的 Kronecker 乘积之和，严格泛化了 Tensor Product Attention（TPA）。
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。