上下文越长，KV Cache 越大，这是推理服务里最熟的一笔账。

线性注意力换了个算法：把 KV Cache 换成固定大小的循环状态（Recurrent State），序列再长，状态也不涨。Qwen3.8-27B、Kimi-Linear-48B-A3B-Instruct 这类混合模型，就是用 gated Delta-rule 的循环记忆加上标准注意力，来平衡效率和效果。

来自浙江大学、清华大学、中科院自动化所、香港城市大学等机构的团队提出 STEPQuant：把循环状态压到低比特，6-bit 下接近 FP32 的精度，状态显存压缩超过 5 倍，整机服务显存最多降 68.7%，代码已经开源。

论文：STEPQuant: When and Where Errors Matter in Delta-Rule Recurrent State Quantization
链接：https://arxiv.org/abs/2609.38169
代码：https://github.com/Dreamer-Toby/STEPQuant
团队：Bingchen Yao、Haobo Xu、Haokun Lin、Yichen Wu、Ziyu Guo、Renrui Zhang、Zhichao Lu、Zhenan Sun、Ying Wei
机构：浙江大学、清华大学、中科院自动化所（NLPR & MAIS）、香港城市大学、哈佛大学、香港中文大学

但显存这笔账，没有就此结束。

从 KV Cache 到 Recurrent State：线性注意力带来了什么变化？

标准注意力的问题在于，KV Cache 随序列长度线性增长，上下文越长越吃显存。

线性注意力把过去的信息压进一个固定大小的循环状态，长度不再是变量。换成服务视角看，这个状态是每个请求各自持有一份的，而且要常驻：并发一多，状态池就跟着涨，连短上下文也躲不掉。

SGLang 的官方部署里，Qwen 的 FP32 状态池在 70 个并发请求时就超过了 BF16 权重的显存占用。

也就是说，循环状态从“省显存”的方案，变成了新的显存瓶颈。要压的正是它。

高并发场景下的显存困境，以及低比特量化的难点

最直接的想法是量化。但循环状态不能当普通权重来压。

每一次 Delta 更新，都是在一个近似的状态上算，算完再重新量化。误差不会停在原地，它会跟着解码一步一步往下传。把状态直接量化，问题就暴露了：4-bit 和 6-bit 下，两个模型的平均准确率都掉得厉害，到 8-bit 仍有明显差距。

误差为什么这么难缠，要看两个维度。

时间上，状态被反复更新、反复量化，寿命长的单元会把误差一直带下去；门控保留得越久，误差积得越多。按寿命排序，Qwen 有 52.5% 的累计平方误差集中在最长的 25% 单元里，KDA 是 78.8%。

图：左边是两种模型的状态误差在长寿单元上的集中程度，右边是同一比特下不同 key row 的影响差异。来源：arXiv:2609.38169

空间上，误差落在哪一行，后果也不一样。同样大小的误差，不同 key row 对输出的影响可以差到 117 倍（Qwen）和 35 倍（KDA）；而且状态本身在行和列两个方向上的幅值差别很大，离群值还会在解码过程中一直存在。

单轴缩放，装不下这两种分布。

图：key row 对困惑度的影响、状态在行列两个方向上的离群值，以及这些离群通道在解码中的持续性。来源：arXiv:2609.38169

STEPQuant 核心设计：误差生命周期与 Key-Row 双轴量化

STEPQuant 把这两个维度分别做成了设计。

时间维度是寿命感知的比特分配。它同时看两件事：每个单元在不同比特下的量化误差，以及这个单元能活多久（门控半衰期）。在固定的显存预算下，误差大、活得久的单元分到更高精度，其余压得更狠。

空间维度是 Key-Row 双轴量化拟合。它给 key row 和 value column 分别配尺度：行尺度同时考虑这一行的当前幅值和它对输出误差的实测影响，列尺度在拟合时给“影响大”的行更高权重。

这样一套下来，状态的形状可以被两个轴同时接住，而不是用一个全局尺度硬套。

图：Qwen 与 KDA 的状态在行列方向上的分布形态。来源：arXiv:2609.38169

还有一点对部署很关键：寿命排序在换成 C4、LiveCodeBench 这些文本来源之后基本不变（Qwen ρ=0.989/0.985，KDA ρ=0.991/0.982），所以校准出来的精度分配不会因为换了任务就失效。

图：寿命排序在不同文本来源下基本一致。来源：arXiv:2609.38169

6-bit 如何逼近 FP32？量化精度与模型性能的平衡

评测用了两个模型：Qwen3.8-27B（GDN）和 Kimi-Linear-48B-A3B-Instruct（KDA），七个长生成推理任务加六个短生成任务。

长生成上，6-bit STEPQuant 在 Qwen 上的平均准确率是 80.59%，Kimi 是 61.47%；同样 6-bit 的均匀量化，只有 45.04% 和 45.70%。

短生成上，4-bit STEPQuant 距离 FP32 只差 0.15 个点（Qwen）和 0.25 个点（Kimi）；均匀 INT4 已经掉得很厉害，有些任务甚至给不出合法答案。

更接近部署的是 W4 权重那组：权重先做 4-bit AWQ，状态再上 6-bit，七任务平均 79.27%（Qwen）和 58.62%（Kimi），比各自的 FP32 状态基线只低 0.05 和 0.33 个点。4-bit 状态下，STEPQuant 也仍然压过均匀 INT8。

从状态压缩到高效服务：方法边界与未来优化方向

把 kernel 接进 SGLang 之后，收益落到服务上。

在 A800 上，batch size 512、W4 权重时，Qwen 的整机显存从 419.73 GiB 降到 131.18 GiB，少了 68.7%；循环状态显存降 80.1%（5.03 倍压缩），状态更新时间快 2.91 倍（降 65.6%）。Kimi 的状态压缩是 5.08 倍，整机显存降 53.7%。

边界也清楚。

寿命权重是用门控衰减来近似误差持续性的，没有完整建模随时间和 key 变化的转移；4-bit 配 BF16 权重时，KDA 在长生成上会掉精度，Qwen 则会出现输出变长；评测只覆盖两个 GDN/KDA 模型，固定硬件与负载，换成别的架构，或者动态变化的真实服务负载，还需要再验证。

对做推理服务的人来说，这些边界比 68.7% 更有参考价值：循环状态量化能不能用，取决于你的模型、权重精度和负载形态。

11月9日（周一）晚8点，青稞Talk 第167期，青稞社区邀请到 STEPQuant 项目负责人、中国科学院大学与香港城市大学联合培养博士林浩坤，分享《STEPQuant：面向线性注意力模型的时空感知循环状态量化》。

分享内容

STEPQuant：线性注意力的低比特量化
面向线性注意力模型的时空感知循环状态量化

1、从 KV Cache 到 Recurrent State：线性注意力带来了什么变化？
2、高并发场景下的显存困境以及低比特量化的难点
3、STEPQuant 核心设计：误差生命周期与 Key-Row 双轴量化
4、6-bit 如何逼近 FP32？量化精度与模型性能的平衡
5、从状态压缩到高效服务：方法边界与未来优化方向
6、AMA（Ask Me Anything）环节

嘉宾介绍

林浩坤，中国科学院大学与香港城市大学联合培养博士，研究方向为大模型高效计算，主要聚焦模型压缩、低比特量化与高效推理。相关研究成果发表于 NeurIPS、CVPR、ICLR 等国际人工智能顶级会议。其中，一作论文 DuQuant 入选 NeurIPS 2024 Oral，并曾获 NeurIPS 2024 Top Reviewer、中国科学院院长奖、国家奖学金等荣誉。

直播时间

11月9日（周一）20:00 - 21:00

如何观看

Talk 将在青稞社区【视频号：青稞 AI】上进行直播，欢迎预约观看！

Bilibili 直播间可同步观看：https://live.bilibili.com/32145701