Tangram: Unlocking Non-Uniform KV Cache for Efficient Multi-turn LLM Serving

📄 arXiv: 2606.06302v1 📥 PDF

作者: Hyungmin Kim, Minsoo Kim, Hongseok Kim, Jungwook Choi

分类: cs.LG, cs.SE

发布日期: 2026-06-04

备注: 12 pages. 14 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出Tangram以解决非均匀KV缓存在多轮LLM服务中的效率问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多轮对话 大型语言模型 键值缓存 GPU优化 系统效率 内存管理 深度学习

📋 核心要点

  1. 现有多轮LLM服务中，KV缓存的线性增长导致GPU内存和带宽压力增大，影响系统效率。
  2. Tangram通过确定性预算分配、头组页面聚类和提前负载均衡等技术，优化非均匀KV缓存的使用。
  3. 实验显示Tangram在吞吐量上比现有方法提高了最多2.6倍，同时保持了模型的准确性。

📝 摘要（中文）

多轮大型语言模型（LLM）服务对用户体验至关重要，但键值（KV）缓存的线性增长对GPU内存和带宽造成了显著压力。非均匀KV压缩通过考虑每个KV缓存的个体重要性有效保留更多信息。然而，这种KV缓存的异质性引入了内存碎片、调度复杂性和内核利用率降低等系统性挑战，导致现有LLM服务系统的效率显著下降。为了解决这些问题，本文提出了Tangram，一个旨在使非均匀KV缓存实用化的新型服务系统。Tangram通过三项核心技术解决系统性低效问题：确定性预算分配、头组页面聚类和提前负载均衡。实验结果表明，Tangram的吞吐量比现有基线提高了最多2.6倍，同时完全保留了模型的准确性。

🔬 方法详解

问题定义：本文旨在解决多轮LLM服务中非均匀KV缓存带来的内存碎片、调度复杂性和内核利用率低下等问题。现有方法在处理KV缓存异质性时效率低下，导致资源浪费。

核心思路：Tangram的核心思路是通过静态预算分配和聚类管理来优化KV缓存的使用，消除动态调度带来的开销，从而提高系统整体性能。

技术框架：Tangram的整体架构包括三个主要模块：确定性预算分配、头组页面聚类和提前负载均衡。每个模块协同工作，以实现高效的内存管理和GPU利用。

关键创新：Tangram的关键创新在于其确定性预算分配策略和头组页面聚类方法，这与现有方法的动态调度机制形成鲜明对比，显著提高了内存利用率和系统吞吐量。

关键设计：在设计中，Tangram为每个注意力头分配静态内存，避免了动态调度的开销；同时，采用独立的向量化页面表来管理相似需求的头组，优化了物理内存的回收。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Tangram在实验中显示出显著的性能提升，吞吐量相比现有基线提高了最多2.6倍，同时保持了模型的准确性。这一结果表明Tangram在优化LLM服务方面的有效性和实用性。

🎯 应用场景

Tangram的研究成果在多轮对话系统、智能客服和在线教育等领域具有广泛的应用潜力。通过提高LLM服务的效率，能够显著改善用户体验，降低计算资源的消耗，推动相关技术的进一步发展。

📄 摘要（原文）

Multi-turn Large Language Model (LLM) serving is critical for consistent user experiences, yet the linear growth of the Key-Value (KV) cache imposes significant pressure on GPU memory and bandwidth. Non-uniform KV compression effectively preserves more information by considering the individual importance of each KV cache. However, such KV cache heterogeneity introduces various systemic challenges - including memory fragmentation, scheduling complexities, and diminished kernel utilization - which collectively lead to significant inefficiencies in existing LLM serving systems. To overcome these challenges, we present Tangram, a novel serving system designed to make Non-uniform KV caches practical. Tangram addresses systemic inefficiencies through three core techniques: (1) Deterministic Budget Allocation assigns a static memory footprint to each head based on its intrinsic pattern, entirely eliminating dynamic scheduling overhead and prefill stalls; (2) Head Group Page clusters attention heads with similar retention demands and manages them with independent, vectorized page tables, thereby maximizing physical memory reclamation; and (3) Ahead-of-Time (AOT) Load Balancing leverages static budget profiles to ensure uniform GPU utilization without runtime overhead. Experimental results show that Tangram improves throughput by up to 2.6x compared to existing baselines, while fully preserving model accuracy. Our implementation is publicly available at https://github.com/aiha-lab/TANGRAM.