先感谢 KVMem 的作者和贡献者

首先一定要特别感谢 KVMem 项目的作者和贡献者。

KVMem 是一个很有意思的长上下文 KV 管理方案，由 Di Chai、Leye Wang、Zeshen Su、Zhiguo Xia、Zhihang Yu 等作者开发。

项目地址：

https://github.com/kvmem/kvmem-llama.cpp

作者相关 Bilibili 介绍视频：

https://www.bilibili.com/video/BV1r2ey6EEh5/

也感谢作者把这套方案和实现公开出来，给消费级显卡探索超长上下文提供了一个很有价值的方向。

---

1. 为什么我又来折腾 KVMem

最近本地推理的新技术和新玩法层出不穷，我自己最感兴趣的几个方向里，就包括 NInfer、KVMem 和 JEV。

之前我已经在 NVIDIA 显卡上测试过 KVMem，对这个方案一直很感兴趣。前两天突然看到项目开始支持 AMD / ROCm，我一下又来劲了，于是连续肝了两天，把单卡 7900 XTX 下的适配、排错和长上下文测试基本完整跑了一遍。

下面就是这轮测试的阶段性结果。

---

2. KVMem 到底解决什么问题？

传统 Full-KV 的问题很直接：

Context 越长，KV Cache 占用的显存越大。

消费级显卡即使模型权重能放进去，Context 继续往上拉以后，最后很容易撞到显存墙。

KVMem 的思路不是要求整个超长历史的 KV 全部长期驻留在 GPU。

简单理解：

• GPU 只维持一个有限大小的 active KV working set
• 更大的历史状态放到 Host RAM
• 需要时再进行 retrieval / restore
• 因此逻辑 Context 可以远远超过传统 Full-KV 能容纳的范围

所以它解决的核心问题不是：

“怎么让模型本身变快”

而是：

“怎么用有限的 GPU 显存，维持远大于显存容量本身能承载的上下文。”

众所周知，7900XTX先生威猛但是显存略短，对于24GB的它来说，这个方向非常有吸引力。

---

3. 测试环境、部署方法和参数

硬件与环境

项目	配置
GPU	AMD Radeon RX 7900 XTX 24GB
GPU 数量	1
CPU	AMD Ryzen 5 9600X
主板	GIGABYTE B850 AI TOP AMD AM5 ATX
系统内存	64GB DDR5
PCIe	PCIe 4.0 x8（主机安装双卡，本篇仅使用 GPU0 单卡）
OS	Linux
ROCm	7.2.3
Backend	llama.cpp HIP
Model	Qwen3.8-27B Q4_K_M
GPU offload	Full GPU offload
Flash Attention	ON
KV	q8_0
KVMem budget	32K
MTP	模型自带 nextn head
GPU arch	gfx1100

KVMem 版本

这轮测试使用的是 KVMem 官方 AMD / ROCm Beta 分支：

rc3-rocm-beta2

项目地址：

https://github.com/kvmem/kvmem-llama.cpp

我没有直接使用通用多架构 build，而是在本机针对 gfx1100 重新编译。

主要编译方向：

• HIP / ROCm
• gfx1100 only
• Native build
• Ninja 并行编译
• 针对 RX 7900 XTX 使用本地优化参数

本轮测试使用的主要编译参数包括：

GGML_NATIVE=ON

GGML_OPENMP=ON

以及：

CMAKE_HIP_FLAGS="-mllvm --amdgpu-unroll-threshold-local=600"

这样做的目的很简单：

尽量减少和本机 RX 7900 XTX 无关的通用架构开销，把测试环境固定在 gfx1100。

推理参数

本轮长上下文测试统一使用：

参数	设置
GPU	单张 RX 7900 XTX
Model	Qwen3.8-27B Q4_K_M
KV	q8_0
KVMem budget	32768
Flash Attention	ON
Batch	2048
UBatch	512
Threads	6
Output cap	512 tokens
MTP	OFF / ON 两组
Context	128K / 256K / 512K

这里的 32768 不是最大 Context。

它表示：

GPU 侧 KVMem active working set 的预算约为 32K。

真正测试的逻辑 Context 分别为：

• 128K
• 256K
• 512K

也就是说，512K 测试并不是让 512K KV 全部常驻显存，而是：

用约 32K 的 GPU active KV budget，配合 Host RAM 中更大的历史状态，通过 retrieval / restore 机制维持 512K 逻辑 Context。

为什么 KV 继续使用 q8_0

上一篇传统 Full-KV 测试里，我已经对 q8_0 和 q4_0 KV 做过对比。

在我的机器和这套模型上，两者对 Prefill 性能影响很小。

因此这篇为了减少变量，继续统一使用：

q8_0 KV

不再同时展开 q4 KV 测试。

测试口径

所有 Context 档位都使用实际 tokenizer token 数，不使用字符数估算。

标称 Context	Actual Prompt
128K	130,942
256K	261,875
512K	523,744

测试要求不是单纯：

“服务能启动”
“ctx-size 能设置成功”
“模型没有立刻 OOM”

而是必须完成：

完整 Prompt Prefill → 正常进入 Decode → 正常输出

下面直接看完整测试结果。

---

4. 长上下文完整测试结果

Context	Actual Prompt	MTP	Prefill	Decode	TTFT	Acceptance
128K	130,942	OFF	557.63 tok/s	26.98 tok/s	235 s	—
128K	130,942	ON	533.94 tok/s	36.59 tok/s	246 s	50.8%
256K	261,875	OFF	532.61 tok/s	26.94 tok/s	493 s	—
256K	261,875	ON	511.73 tok/s	36.38 tok/s	513 s	50.0%
512K	523,744	OFF	520.34 tok/s	26.85 tok/s	1009 s	—
512K	523,744	ON	500.34 tok/s	39.81 tok/s	1049 s	58.4%

其中 512K 档实际完成：

523,744-token Prompt → 完整 Prefill → 正常进入 Decode

这里不是单纯把 ctx-size 设置成 512K，也不是只完成模型加载，而是真正把超过 52 万 token 的 Prompt 完整跑完并正常生成。

测试结果图

从表格和图里已经可以比较直观看到：

• Context 从 128K 一路增加到 512K 后，Prefill throughput 仍然保持在较高水平；
• MTP OFF 的 Decode 基本稳定在约 27 tok/s；
• MTP ON 后，Decode 提升到约 36～40 tok/s；
• 512K 实际 Prompt 达到 523,744 tokens，整轮测试正常完成。

后面不再重复展开 Prefill 曲线，重点看 KVMem 真正带来的几个实际变化。

---

5. VRAM 与 Host RAM：24GB 为什么能跑到 512K

这其实是我认为 KVMem 最核心的价值。

在 128K / 256K / 512K 的测试过程中，VRAM Peak 基本维持在：

约 18.2～19.5 GiB

Context	VRAM Peak
128K	约 18～19 GiB
256K	约 18～19 GiB
512K	约 19 GiB

逻辑 Context 从 128K 增长到 512K，GPU 显存并没有跟着线性增加。

上一篇同一个 Qwen3.8-27B Q4_K_M、q8_0 KV 的传统 Full-KV 测试中，128K 实际 Prompt 为 130,941 tokens：

• MTP OFF VRAM Peak：21,168 MiB
• MTP ON VRAM Peak：23,008 MiB

也就是说，在传统 Full-KV 下，128K 已经开始明显逼近 24GB 显存上限。

而 KVMem 并不是把这些 KV “变没了”。

更准确地说，它是在做一种资源交换：

减少 GPU VRAM 中长期驻留的 KV，用 Host RAM 承载更大的历史状态。

GPU 侧只维持有限的 active KV working set，需要时再进行 retrieval / restore。

因此：

更少的 VRAM 压力 更多的 Host RAM 使用

这台测试机一共只有 64GB DDR5 系统内存。

所以随着逻辑 Context 继续扩大，GPU VRAM 不再是唯一的容量边界，Host RAM 也会逐渐成为新的限制因素。

这里需要特别说明：

这次测试停在 512K，不代表 KVMem 的最大能力就是 512K。

我没有继续把正式测试推到 1M，主要有两个原因：

1. 512K 已经足够验证单张 24GB RX 7900 XTX 上 KVMem 的长上下文扩展能力；
2. 继续向 1M 推进会进一步增加 Host RAM 和整机资源压力，而这台测试机只有 64GB 系统内存，继续追求最大 Context 已经偏离本轮测试重点。

本文能够严谨确认的是：

这套配置实际完整验证到了 523,744-token Prompt。

至于 1M 或更高，本轮没有完整验证，因此不做结论。

所以 KVMem 解决的首先是：

Context Capacity。

它不是把 24GB 显存“变成了 48GB”，也不是把 50 万 token 的计算成本变没。

它改变的是：

“全部历史 KV 必须长期驻留在 GPU 显存里”这个前提。

---

6. KVMem Budget 到底控制什么？

这一点我觉得有必要单独讲。

本文性能测试统一使用：

KVMem budget = 32768

这里的 32768 并不是最大 Context，而是 GPU 侧允许保留的 active KV working set 大小。

简单理解：

Budget 越大，GPU 里同时保留的 KV 越多；Budget 越小，就越依赖 Host RAM 和 retrieval / restore。

所以 KVMem budget 本质上控制的是一个资源平衡：

KVMem Budget	GPU VRAM	Retrieval 依赖	Recall 潜力
较小	更低	更高	极端场景更容易出现 miss
较大	更高	更低	通常更有利于 Recall

这也是为什么：

KVMem budget = 32768

并不意味着只能跑 32K Context。

本轮测试里，GPU active KV budget 固定在约 32K，但实际逻辑 Context 分别跑到了：

• 128K
• 256K
• 512K

也就是说：

Context 可以继续增长，但 GPU 侧 active KV 的预算基本保持固定。

超出 active budget 的历史状态更多地由 Host RAM 承担，需要时再通过 retrieval / restore 重新带回。

---

为什么这篇统一使用 32K Budget？

这轮测试的目的不是找“最大 Recall”，而是想回答一个更直接的问题：

如果把 GPU 侧 active KV 固定在一个比较小的范围内，单张 24GB RX 7900 XTX 到底能把逻辑 Context 推多远？

所以我统一使用：

32768

最终实测：

32K active KV budget → 523,744-token Prompt 完整跑通

同时 GPU VRAM Peak 基本仍维持在约：

18.2～19.5 GiB

这正是 KVMem 最有意思的地方之一。

---

Budget 不是越小越好

Budget 越小，确实越省 GPU KV 空间，也更有利于把逻辑 Context 往上推。

但代价也很明确：

更依赖 retrieval。

而 retrieval 越频繁、active working set 越小，在极端长上下文场景下，就越有可能暴露 Recall 边界。

我们之前的测试也已经观察到：

提高 active KV budget 后，极端 needle Recall 会改善。

所以实际部署时不能只追求最小 budget。

更合理的选择是根据用途做平衡：

• 追求最大 Context / 节省 VRAM：budget 可以偏小
• 更重视 Recall：budget 可以适当增大
• 系统内存有限：还要同时考虑 Host RAM 压力

最终实际上是在四个变量之间找平衡：

VRAM / Host RAM / Context Capacity / Recall Quality

所以 KVMem 的真正玩法，并不是单纯问：

“最大能跑多少 K？”

而是：

“在我能接受的显存和内存占用下，需要多大的 active KV budget，才能获得足够可靠的 Recall？”

---

7. MTP：可以和 KVMem 叠加，但要看实际 E2E

KVMem 和 MTP 可以正常一起使用。

Decode 实测：

Context	MTP OFF	MTP ON	Decode 提升
128K	26.98 tok/s	36.59 tok/s	+35.6%
256K	26.94 tok/s	36.38 tok/s	+35.0%
512K	26.85 tok/s	39.81 tok/s	+48.3%

512K 下：

26.85 → 39.81 tok/s

Decode 提升还是很明显的。

不过超长 Context 下有一个需要特别注意的问题：

不能只看 Decode。

512K 时：

MTP OFF

• TTFT：约 1009 s
• Decode：26.85 tok/s

MTP ON

• TTFT：约 1049 s
• Decode：39.81 tok/s

MTP ON 的 TTFT 增加了大约 40 秒。

而这轮测试的输出上限只有 512 tokens。

所以在这种：

超长 Prompt + 短输出

的场景里，虽然 MTP 明显提高了 Decode，但节省下来的生成时间还不足以覆盖前面增加的 TTFT 成本。

本轮 512K 测试中：

MTP ON 的 E2E 反而慢约 34 秒。

按照当前实测速度粗略计算，512K 这一档大概要输出：

约 3,320 tokens

MTP 才可能开始进入 E2E 正收益区间。

这里特别说明：

3,320 tokens 是根据当前实测速度推算出的 break-even，不是已经完成的实测点。

所以我目前对两者的理解很简单：

KVMem 主要解决容量。

MTP 主要解决生成速度。

两者可以叠加，但 MTP 到底值不值得开，需要结合 Prompt 长度和最终输出长度来看。

---

8. Retrieval：还有一点瑕疵，但整体已经可用

除了性能和显存，我也专门做了超长上下文 Recall 测试。

测试方法比较简单：

• 在超过 52 万 token 的长文本里，人工埋入 20 个彼此独立的 needle；
• needle 大多是随机编号、数字或者孤立事实，本身几乎没有语义关联；
• 然后在超长上下文末尾逐个提问；
• 最后检查 20 个事实能不能准确找回来。

这其实是一个故意把 Retrieval 推向极端的 needle-in-a-haystack 测试：

信息只出现一次、距离非常远、语义线索很弱，然后要求在 50 多万 token 后精确找回。

我此前用同类 Recall 方法测试的结果：

• SGLang：100%
• NInfer：100%
• KVMem：18 / 20，90%

所以 KVMem 目前还不能说完全无损，确实还有少量 retrieval miss。

不过我不会把这个 90% 理解成：

“日常使用有 10% 概率出错。”

这种测试本身就是人为构造出来放大 Retrieval 边界的极端场景。

正常 Agent、多轮对话、代码分析和长文档处理中，重要信息通常会有更多语义关联、上下文线索和重复引用，与这种“几十万 token 前只出现一次随机数字，然后最后精确追问”的情况并不完全相同。

所以我的阶段性评价是：

和 SGLang、NInfer 的 100% Recall 相比，KVMem 目前还有一点瑕疵；但考虑到它已经能在 24GB RX 7900 XTX 上把 Context 推到 512K，我认为整体已经可用，瑕不掩瑜。

---

9. 长上下文真正带来的好处是什么？

把 Context 从 128K 推到 256K、512K，真正有价值的地方并不是“数字更大”。

对实际 Agent 和长 Session 来说，更重要的是：

更多历史可以继续留在可访问范围内，而不用那么早就做 Context Compression、截断旧消息或者丢弃前面的工作状态。

这一点和我之前测试 SGLang HiCache、NInfer Prefix Cache 时感受到的价值有一些相似，但三者的机制并不一样。

• SGLang HiCache / NInfer Prefix Cache 更偏向：已经计算过的 KV 尽量复用，Cache 命中后可以减少重复 Prefill；
• KVMem 更偏向：让远大于 GPU active KV budget 的历史状态仍然可以被保存，并在需要时 retrieval / restore。

所以不能简单把 KVMem 等同于 SGLang HiCache 或 NInfer Prefix Cache。

但对于长期运行的 Agent，它们最终都在改善同一个现实问题：

不要因为 Context 很快装满，就频繁压缩、截断或者丢掉已经积累的工作历史。

比如一个 Agent 已经连续工作了几个小时，前面累计了：

• 大量对话历史
• 工具调用结果
• 日志
• 文档内容
• 中间分析
• 已经做过的决策

传统 Context 不够时，就不得不开始：

• 压缩历史
• 删除较早内容
• 重新总结
• 重新构造工作上下文

这些操作不仅增加管理成本，也可能造成信息损失。

而更大的可用 Context，配合 KVMem 这类 KV 管理机制，可以让 Agent 更长时间保持连续工作状态。

所以对我来说，512K 的意义并不只是：

“能塞进去 52 万 token。”

更重要的是：

让一个长 Session 能保留更多已经发生过的事情，晚一点再被迫压缩和截断。

这才是超长 Context 在实际使用里的价值。

---

10. 512K 和 Qwen3.8-27B 原生 256K Context 到底是什么关系？

这里需要单独解释一下，不然很容易把两个概念混在一起。

Qwen3.8-27B 的原生 Context Length 是：

262,144 tokens，也就是约 256K。

而本文测试的：

512K / 523,744 tokens

首先证明的是另外一件事情：

KVMem 可以让 24GB RX 7900 XTX 在运行时承载并处理超过 52 万 token 的逻辑历史，而不会因为传统 Full-KV 的显存需求直接 OOM。

也就是说，KVMem 主要解决的是：

KV Capacity

它解决的是：

这么长的历史能不能装得下、能不能继续运行。

512K 是总 Context，不是额外再加 512K

这里还有一个很容易误解的地方。

本文说的：

512K Context

指的是整个当前逻辑上下文的总长度约为 512K。

不是：

模型原生 256K + KVMem 再额外增加 512K

所以不存在：

256K + 512K = 768K

这样的关系。

更准确地理解：

概念	长度
Qwen3.8-27B 原生 Context	约 256K
本文 KVMem 测试的总逻辑 Context	约 512K
512K 档实际 Prompt	523,744 tokens

其中超过原生 256K 的部分，已经进入模型的长上下文扩展区域。

所以：

512K 能跑，不等于模型原生 Context 变成了 512K。

超过模型原生 256K 后，还可能涉及模型本身的长上下文扩展机制和外推质量，例如：

• RoPE Scaling
• YaRN
• 超出原生训练长度后的 Recall / Reasoning Quality
• 长距离信息关联能力

因此需要把两个问题分开看：

问题	KVMem 能解决吗？
24GB 显存能不能承载 512K 逻辑历史	可以，本文已实测
Full-KV 会不会因为 512K 直接把 VRAM 撑爆	KVMem 主要解决这个问题
模型原生 Context 是否因此变成 512K	不是
模型在 512K 下质量是否和原生 256K 一样	不能仅靠 KVMem 保证
512K 下 Recall 是否可靠	需要实际测试，本文已做初步验证

所以从工程角度看：

KVMem 负责解决“装不装得下、跑不跑得起来”。

而模型本身的 Context Extension、RoPE Scaling 和长上下文能力负责回答：

“跑到这么长以后，还能不能答得准。”

这也是为什么前面我没有因为“512K 跑通”就直接宣布“512K 完全无损”，而是另外做了 Recall 测试。

所以本文里的 512K，最准确的理解应该是：

在 KVMem 帮助下，在我的机器上（64G系统内存），24GB RX 7900 XTX 已经具备承载约 512K 总逻辑 Context 的能力；但超过模型原生 256K 之后的最终质量，还要结合模型本身的长上下文扩展能力和实际 Recall 测试一起判断。

---

11. 一句话总结

这个 KVMem 是我最近做的一大堆乱七八糟测试中，唯一让我产生爽感的好东西。

跑到 512K 以后，依然还能保持：

• Prefill：520.34 tok/s
• Decode：26.85 tok/s
• VRAM：约 18～19.5 GiB

逻辑 Context 从 128K 增长到 512K，扩大了 4 倍，而 Decode 基本没有变化。

对于一张只有 24GB VRAM 的 RX 7900 XTX 来说，这已经把可用的 Context 空间向前推了很大一步。

24GB 显存，512K Context，能跑、能用，而且速度还没有塌，真牛 。

这就是我这两天折腾 KVMem 以后最直观的感受。