---
id: [[P-Reinforce|P-Reinforce]]-AUTO-KVCH-001
category: Unified
confidence_score: 1.00
tags: [auto-reinforced, kv-cache, transformer-inference, memory-bottleneck, llm-performance]
last_reinforced: 2026-05-04
---

# [[Key-Value (KV) Cache|Key-Value (KV) Cache]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "모델의 단기 기억 장치: 트랜스포머의 추론 과정에서 이전 토큰들의 연산 결과(Key, Value)를 메모리에 저장해두고 재사용함으로써, 매번 처음부터 다시 계산해야 하는 낭비를 없애고 생성 속도를 비약적으로 높인 추론 최적화의 심장."

## 📖 구조화된 지식 (Synthesized Content)
KV 캐시(Key-Value Cache)는 대규모 언어 모델(LLM)이 텍스트를 생성할 때, 이미 처리된 토큰들의 Key와 Value 행렬을 메모리에 저장해두는 기술입니다. 이를 통해 자기회귀(Autoregressive) 생성 과정에서 발생하는 중복 연산을 제거합니다.

1.  **필요성**:
    *   트랜스포머는 다음 토큰을 예측할 때 이전의 모든 토큰 정보를 참조해야 합니다.
    *   KV 캐시가 없다면 $n$번째 토큰을 생성할 때 $1$부터 $n-1$까지의 토큰을 매번 다시 연산해야 하므로, 시퀀스가 길어질수록 연산량이 기하급수적으로 증가합니다.
2.  **작동 원리**:
    *   **Prefill 단계**: 입력된 프롬프트를 한꺼번에 처리하며 모든 토큰의 K, V 값을 계산하여 캐시에 저장합니다.
    *   **Decoding 단계**: 새로운 토큰을 하나씩 생성할 때마다 해당 토큰의 K, V 값만 계산하여 캐시에 추가하고, 이전 값들은 메모리에서 불러와 사용합니다.
3.  **병목 현상**:
    *   **메모리 압박**: 컨텍스트 길이가 길어질수록 KV 캐시가 차지하는 VRAM 용량이 선형적으로 증가합니다. (예: 수천 명의 사용자가 동시에 긴 대화를 나눌 경우 GPU 메모리 부족(OOM) 발생 원인 1순위)
    *   **I/O 병목**: 연산 자체보다 캐시된 데이터를 메모리에서 읽어오는 속도(Memory Bandwidth)가 추론 속도를 결정하게 됩니다.

## ⚖️ Trade-offs & Caveats
*   **용량 vs 속도**: 캐시를 많이 하면 속도는 빨라지지만 메모리가 부족해지고, 캐시를 줄이면(Compression/Quantization) 더 긴 문장을 처리할 수 있지만 정확도가 소폭 하락할 수 있습니다.
*   **단편화 문제**: 고정된 크기의 메모리를 미리 할당할 경우, 사용되지 않는 빈 공간이 발생하는 '메모리 단편화' 문제가 발생합니다. 이를 해결하기 위해 [[PagedAttention|PagedAttention]]이 등장했습니다.

## 🔗 지식 연결 (Graph)
*   **상위 개념**: [[Attention Mechanisms|Attention Mechanisms]], [[LLM Inference Optimization|LLM Inference Optimization]]
*   **최적화 기술**: [[PagedAttention|PagedAttention]], [[KV Cache Compression|KV Cache Compression]], [[KV Cache Quantization|KV Cache Quantization]], [[Grouped-Query Attention (GQA)|GQA]]
*   **프레임워크**: [[vLLM|vLLM]], [[TensorRT-LLM|TensorRT-LLM]]

---
*Last updated: 2026-05-04*