体系 › 推論・高速化
·★ 会員·論文·8分で読めます

論文解説: DeepSeek-V4.1-Flash — KVキャッシュ圧縮をどこまで詰められるか

1トークンあたりのグローバルKVキャッシュを890バイトまで縮めたDeepSeek-V4.1-Flash。層の上下分割(CED)、層をまたぐKV共有(CSA2)、FP4キャッシュ、SWA Bounded Replayの4つを、前提知識なしで仕組みから解説する。

要点

  • DeepSeek-V4.1-Flash は552Bバックボーン・100万トークン文脈のマルチモーダルMoEで、活性パラメータはデコード時16B、プリフィル時8Bである。
  • 層をまたぐKV再利用のCSA2とFP4キャッシュにより、HBM常駐のグローバルKVは1トークンあたり890バイトに縮んだ。
  • 890バイトは前世代 V4-Flash の約1/4で、初代 DeepSeek-V1 の約437分の1と報告されている。
  • SWA Bounded Replayにより、SSDやホストメモリに置く永続KVキャッシュは約1/8になった。
  • 長文ではグローバルKVがメモリの大半を占め、総量はほぼ N×(1トークンあたりのバイト数)なので削れるのは後者だけである。
対象textタスクinference

DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression

一次資料 — この記事の根拠

論文の発表 2026-09-17→この解説の公開 2026-09-25同月

DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache CompressionDeepSeek-AI, :, Anyi Xu ほか · 2026-09-17 · v1arXiv:2609.19969論文ページ·PDF
原文の要旨(Abstract)を読む

The widespread adoption of long-horizon agents has made model workloads increasingly input-heavy. Although prior work has substantially reduced the cost of long-context computation, prefill remains computationally expensive, and large KV caches continue to strain HBM and SSD capacity and data-transfer bandwidth. Together, these compute, storage, and bandwidth demands constitute the primary bottleneck to further lowering deployment costs. To address this challenge, we introduce DeepSeek-V4.1-Flash, a multimodal Mixture-of-Experts (MoE) model with 552B backbone parameters and support for contexts of up to one million tokens. With its Causal Encoder-Decoder (CED) architecture, the model activates 16B parameters per token during decode but only 8B parameters during prefill, substantially improving cost efficiency for agentic workloads. To push the limits of KV cache compression, DeepSeek-V4.1-Flash combines cross-layer KV cache reuse in Compressed Sparse Attention 2 (CSA2) with FP4 KV caching. These designs reduce its global KV cache footprint (always in HBM) to 890 bytes per token, roughly 1/4 of the corresponding footprint of DeepSeek-V4-Flash. Further, through a dedicated deployment optimization known as SWA Bounded Replay, DeepSeek-V4.1-Flash reduces its persistent KV cache footprint (always on SSD or in host memory) to roughly 1/8 of that of DeepSeek-V4-Flash. Despite its much smaller KV cache footprint, the model delivers substantially better performance than the baseline. In addition, we streamline the DeepSeek-V4 architecture and introduce several efficient architectural extensions. We pretrain DeepSeek-V4.1-Flash on a multimodal corpus comprising 45T tokens and conduct comprehensive post-training, yielding strong performance across diverse text-based and multimodal agentic scenarios. Model checkpoints are available at https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash.


この論文は何を解いたのか

今回読むのは DeepSeek-AI の技術報告 "DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression"(arXiv:2609.19969)です。

abstract の要約から始めます。長い作業をこなすエージェントが普及し、モデルへの入力は長くなる一方になった。長文の計算コストはすでに大きく下がったが、プロンプトを読み込むプリフィルはまだ重い。しかも巨大なKVキャッシュがGPUメモリ(HBM)とSSDの容量、転送帯域を圧迫しており、これがコストを下げる上での最大の壁になっている。そこで著者らは、552Bのバックボーンを持ち100万トークンの文脈を扱えるマルチモーダルMoEモデルを作った。Causal Encoder-Decoder(CED)構造によって、活性パラメータはデコード時16B、プリフィル時8Bになる。層をまたいでKVを再利用するCSA2とFP4キャッシュを組み合わせ、HBMに常駐するグローバルKVを1トークンあたり890バイトに縮めた。これは前世代 V4-Flash の約1/4にあたる。さらにSWA Bounded Replayによって、SSDやホストメモリに置く永続KVキャッシュを約1/8にした。キャッシュは小さくなったが、性能は前世代を上回る。

KVキャッシュが初めての方は、先にKVキャッシュを1から理解するを読むと楽になります。

比喩: 議事録はどこに置くか

Transformerは1語を書くたびに、過去の全語から作った「鍵(Key)」と「中身(Value)」を見返します。この控えがKVキャッシュで、会議でいえば議事録にあたります。会議が長くなると議事録は机(HBM)に載らなくなり、倉庫(SSD)やロッカー(ホストメモリ)に移すことになります。ただし取りに行くには時間がかかります。論文の問題意識は、スパースアテンションで計算は軽くなったものの、残った壁が議事録の厚さと運ぶ手間になったという点にあります(§1)。

V4系のアテンションは、文脈全体を見るグローバル枝と、直近の一定幅だけを見るスライディングウィンドウ注意(SWA)の2本立てです。SWAの記憶は窓の幅で頭打ちになるので、長文ではグローバルKVがメモリの大半を占めます。

グローバルKVの総量≈N×(1トークンあたりのバイト数)\text{グローバルKVの総量} \approx N \times (\text{1トークンあたりのバイト数})
(1)

この式が言っているのは要するに、議事録の厚さは「文脈の長さ」と「1トークンぶんの厚さ」の掛け算で決まる、ということです。文脈の長さ NN が10倍になれば、議事録も10倍になります。NN は減らせないので、削れるのは右側の「1トークンあたり」だけです。論文はここを890バイトまで詰め、初代 DeepSeek-V1 の約437分の1になったと報告しています(図1)。

FIG 1長さに比例して増えるグローバルKVと、一定で頭打ちになるSWAの記憶。nを伸ばすと差は桁で開く

40層を、下の20層(エンコーダ)と上の20層(デコーダ)に分けます(§2.2)。上半分の層は、グローバルKVを自分では作りません。…

この先にあるもの

§

ここから先は会員限定です

解説記事449本・教科書42章・学生モード48単元・論文精読6本が、月額¥490ですべて読み放題になります。新しい解説は1日あたり平均3本ほど増えます。いつでも解約でき、解約後も期間の終わりまで読めます。

会員の方はログインすると続きが表示されます

参考文献

  1. DeepSeek-AI, :, Anyi Xu, B. Li et al.. (2026-09-17) DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression. arXiv:2609.19969論文ページ·PDF

本記事は上記論文の本文にもとづいて執筆しています。数値・主張は原典を優先してください。

運営: TechAthletes · 編集方針 · 出典の付け方 · 訂正の記録

コメント

コメントにはログインが必要です