Kimi首發(fā)“上下文緩存”技術，助推長文本大模型降本90%

　　近日，月之暗面宣布 Kimi 開放平臺正式公測新技術——上下文緩存(Context Caching)，該技術在 API 價格不變的前提下，可為開發(fā)者降低最高 90% 的長文本大模型使用成本，并且顯著提升模型的響應速度。

　　據了解，月之暗面是國內首家面向開發(fā)者推出上下文緩存（Context Caching）技術的大模型公司。

　　上下文緩存（Context Caching）技術的基本原理是，系統(tǒng)預先存儲那些可能會被頻繁請求的大量數(shù)據或信息。這樣，當用戶再次請求相同信息時，系統(tǒng)可以直接從緩存中快速提供，而無需重新計算或從原始數(shù)據源中檢索，從而節(jié)省時間和資源。

　　上下文緩存（Context Caching）技術可以帶來降本和提速兩大價值。首先，通過緩存重復性輸入的大量數(shù)據，對于公共上下文僅收取一次費用，上下文緩存(Context Caching)技術大大降低了開發(fā)者使用長文本旗艦大模型的成本，最高可降本達 90%。其次，上下文緩存(Context Caching)技術還有助于提升大模型API的響應速度，實測可將 128K 長文本大模型的首 token 延遲降低 83% 左右，從平均 30 秒左右降低到平均 5 秒內。

　　在長上下文和高負載的業(yè)務場景上，上下文緩存帶來的降本和提速效果尤為顯著。常見場景包括提供大量預設內容的問答機器人，例如 Kimi API 小助手;針對固定的文檔集合的頻繁查詢，例如上市公司信息披露問答工具;對靜態(tài)代碼庫或知識庫的周期性分析，例如各類 Copilot Agent;瞬時流量巨大的爆款 AI 應用，例如哄哄模擬器;交互規(guī)則復雜的 Agent 類應用，例如什么值得買的 Kimi+ 等。

　　以常見的固定文檔大量提問場景為例。某硬件產品說明書大概 9萬字，換算 Tokens 長度大概 64K，該產品售前支持人員需要在 10 分鐘內，密集對產品的功能/使用方式進行 40 次問答，每次的問題大概 100 個字，要求模型的輸出需要基于產品說明書來回答，回答問題在 120 字以內。

　　按照大模型問答的 Tokens 計算邏輯，售前支持人員需要每次向模型輸入的 Tokens =文檔 Tokens +問題 Tokens，10 分鐘內 40 次的問答共計需要消耗 Tokens 2.56 M，128k 模型價格為 60元/M，預計原始花費需要 153.84 元。若該場景接入上下文緩存(Context Caching)技術：9萬字的文檔只收取一次創(chuàng)建 Cache 和存儲 10 分鐘 Cache 的費用，10分鐘內的40次提問，將只收取問題的 100 字+ 回答的 120 字的費用，預計花費 11.88 元。節(jié)省了 141.95 元，相當于費用降低 90% 左右。

　　響應速度方面，以128k模型的一次4萬字（約30k tokens）的推理請求為例。通常向模型提問，平均要 30 秒返回首 Token。接入上下文緩存技術后，最快可 1 秒內完成首 Token 返回。經過大量測試，接入上下文緩存功能后，128k 模型的首 Token 延遲平均可降至 5 秒內，降低了 83%左右。

　　需要注意的是，上述測試效果基于 1 token = 1～1.5個文字和字符，使用 128k 模型進行測算。具體的效果根據業(yè)務情況/模型選擇不同，會有略微差別。

　　上下文緩存(Context Caching)技術在公測期間將首先提供給 Kimi 開放平臺的 Tier5 等級開發(fā)者，后續(xù)陸續(xù)增大開發(fā)者公開測試范圍。

　　Kimi 大模型目前已接入了釘釘、扣子等平臺，用戶或開發(fā)者可以在這些平臺選用 Kimi 大模型，借助出色的長文本和指令遵循能力搭建個性化的智能體應用。Kimi 開放平臺的開發(fā)者注冊量自從今年 2 月份以來復合增長率超過 175%，在投研服務、法律盡調、企業(yè)知識庫問答、輔助軟件開發(fā)等場景獲得廣泛應用。近期，Kimi 開放平臺陸續(xù)上線了工具調用(Tool Use)、Partial Mode、上下文緩存(Context Caching)等能力，持續(xù)幫助開發(fā)者高效打造更有想象力的AI 應用。