把这九篇放在同一张图上，最有解释力的两个维度不是「方法」而是缓存的生产者与消费者是否共享同一组参数，以及复用是精确还是近似。这两维一划开，本篇的位置就唯一确定了：
| 精确复用（质量不是变量） | 近似复用（质量成为变量） | |
|---|---|---|
| 同一组参数 | vLLM PagedAttention（block 级共享 + copy-on-write）[2309.06180]；SGLang RadixAttention（树形前缀复用 + 最优性定理）[2312.07104]；Marconi（把这一范式扩到 Hybrid SSM）[2411.19379] | KVCOMM（同模型、跨前缀，用 anchor 近似 KV 偏移）[2510.12872] |
| 不同参数 | PrefillShare（用训练把「近似」消灭掉：冻结 base 产 KV，微调 decode 去读它）[2602.12029] | 本篇（闭式线性映射，不训练、不改模型） |
外圈还有三篇不产生缓存、但决定缓存值多少钱的论文：RouteLLM 决定何时在强弱模型间切换，也就是何时凭空产生一次跨模型缓存需求 [2406.18665]；GORGO 把 prefix overlap 折算成毫秒塞进路由代价函数，是「缓存价值」被真正定价的地方 [2602.11688]；KV cache 综述提供三层 taxonomy 坐标系 [2412.19442]。
逐篇说清关系：
1. 把「要不要训练」当成实验变量，而不是设计前提。 本簇里所有跨表示复用工作都预设了某种训练：PrefillShare 训 decode 模块（cache-conditioned fine-tuning，且必须用冻结 base 现算的 $C_{\text{base}}$ 喂训练，否则精度崩塌）[2602.12029]；本篇 Table 6 列出的 C2C / LatentAlign 也都要梯度 [2608.03893]。本篇的问题换成了「这个关系是否简单到根本不需要训练」，答案是六对里四对够、两对不够。这个提问方式本身是贡献，与「方法多好」无关。
2. 一个可迁移的负面结果：重构指标不预测可转移性。 校准域 $R^{2}_{K}$ 与 HellaSwag retention 的跨对相关是 $-0.20$（符号是反的），attention-output cosine 是 $+0.57$ [2608.03893]。这条结论的价值超出本篇，因为同一条定律在邻居那里被独立观测到过：KVCOMM 的主表显示固定重算比例的 CacheBlend 在 GSM8K/HumanEval 上明显退化，作者的结论是「高复用率本身不足以保证质量」[2510.12872]。「拟合得好 / 复用得多 ≠ 下游没坏」在两个不同层级（张量重构 vs 缓存命中比例）被分别撞见，这提高了该定律的可信度，也说明近似复用时代缺的是一个子空间感知的验收标准，而不是更大的复用率。
3. 方向性资产这个概念。 之前所有 KV 复用工作的产物都是无向的：radix tree 的节点、vLLM 的 block、Marconi 的 (SSM state + KV) 节点，都属于「某个前缀」而不属于「某对模型」[2411.19379]。本篇第一次引入按有序对索引的持久化资产，$P(P-1)$ 个、每个约 6.5 GB [2608.03893]。这是一个新的成本科目，不是既有科目的优化。
RoPE 处理：借来了一台为别的病设计的机器。 本篇的第三个部件（剥离 source RoPE → content 空间线性映射 → 重加 target RoPE）与 KVCOMM 的第一步机制上同构，但两处的实测价值相反：KVCOMM 的对齐消融显示三步（旋转对齐 + placeholder 偏移 + prefix 偏移）缺一不可 [2510.12872]，而本篇 Table 2 的 "$-$ all RoPE" 行在每一列都落在 Full 的噪声内 [2608.03893]。
矛盾根源（两者在各自范围内都对）：KVCOMM 的复用发生在同一模型的不同绝对位置上，误差里真有一项位置相位，去旋转把它精确消掉，所以是承重件——它的实现笔记甚至强调「否则偏移统计会被位置相位误差主导」[2510.12872]。本篇的 source 与 target 在同一 token 位置上，位置相位本来就是对齐的；对两端同时施加正交变换只是把回归问题做了一次相似变换，残差几乎不动，所以实测为零。这个调和给出一个具体预言：本篇的 content-space 映射只有在 source/target 的 RoPE base 或 scaling 不同、或缓存被在与校准不同的位置上重放时才开始付钱——也就是那个从未做过的「1k 拟合、8k/32k 测精度」实验（$\S4.7$ 的 32k 只测了延迟）[2608.03893]。
「一个承重件」是不是本簇通病？ 是分布性的，但本篇的位置最差：
| 论文 | 宣称部件数 | 被独立隔离出正贡献的部件 | 隔离手段 |
|---|---|---|---|
| Marconi | 2（admission / eviction） | 2 | 专门造了 SGLang+（=自己的 admission + LRU eviction）来单独量 eviction [2411.19379] |
| SGLang | 4（tree / cache-aware sched / frontend 并行 / fork hint） | 4 | 逐项移除均退化 [2312.07104] |
| KVCOMM | 3（旋转 / placeholder / prefix 偏移） | 3 | 任意删减都掉点 [2510.12872] |
| PrefillShare | 1（cache-conditioned FT） | 1 | 朴素共享在高共享比下崩塌 [2602.12029] |
| 本篇 | 3（ridge / cross-layer / content-space） | 1（cross-layer），且幅度被 $\lambda$ 失配放大 | 无对应控制组 [2608.03893] |
PrefillShare 同样只有一个承重件，但它把方法就定义为那一件，管线部分明说是工程。本篇的问题是presentational + 一处可修的实验缺口：Marconi 的 SGLang+ 正是本篇缺的那个控制组的模板——它把两个部件之一按住不动来量另一个。本篇的对应控制组是「$k{=}1$ 且 $\lambda$ 按 $k{=}1$ 的 Gram 尺度重新标定」，从未跑过，因此 Table 2 第 4 行的崩塌里有多少属于 cross-layer 信息丢失、多少属于过度收缩，目前无法拆开 [2608.03893]。
「把 prefix caching 从单模型推广到跨模型」这个 framing 与 SGLang 的性质结构冲突。 SGLang 的复用是精确的、带最优性定理的、零复用时开销 <0.3% 的，所以猜错的代价约等于零，可以无条件常开 [2312.07104]。本篇的复用是近似的、无保证的、需要 4–12 GB 常驻或换页的，六对里两对崩到 floor-normalized 11–15%（MMLU 甚至 $-0.5$%）[2608.03893]。事实层面不矛盾，但「推广」这个词掩盖了一次性质降级：prefix caching 之所以能成为默认开关，恰恰因为它精确。把同一个词用在一个必须先做 per-pair 准入筛选的机制上，会让读者按错误的风险模型去估算它。
对照基线的选择上，本篇与 PrefillShare 分道扬镳，而 PrefillShare 是对的那一边。 PrefillShare 的分母是 Full-FT——「如果你拒绝共享，你会部署的那个东西」[2602.12029]。本篇的分母是 target standalone——「如果你切换了并且重新 prefill，你会得到的那个东西」。后者是两个相关反事实中的一个，而被丢掉的那个（继续用手上的小模型）恰恰是 binding 的那一个。这直接通到 §可攻击面。
在综述的 taxonomy 里本篇无处安放，而这正是它的坐标。 综述的三层按「你改什么」组织：token-level 不改架构、model-level 要重训、system-level 只动基础设施 [2412.19442]。本篇不压缩 token、不重训、也不管内存——它做的是跨参数集的表示翻译。更本质的差别在成本结构：综述的复杂度模型里所有项都以 $t_c$（缓存 token 数）为尺度 [2412.19442]，三层方法全都在削减某个与 $t_c$ 成比例的项；本篇引入的项与 $t_c$ 无关，只与车队组成 $P(P-1)$ 有关 [2608.03893]。综述里没有任何一个轴按车队组成索引，所以这不是「跨层集成」（综述 §8 指出的那个 gap），而是一个新维度。
顺带一处支持本篇构造的跨篇证据：综述记录 KVQuant 发现 key 的 outlier 在 RoPE 之前集中在特定 channel、RoPE 旋转后 magnitude 分布变得不规则，因此正确实现必须在 RoPE 之前做 per-channel 量化 [2412.19442]。这是一条完全独立于本篇的证据，说明 pre-RoPE 的 key 空间确实是结构更规整的那个。也就是说本篇 content-space 映射的动机得到了外部支持，尽管它的实测收益为零——这两件事可以同时为真，正确的表述是「构造上正确、当前实验设置下无法体现」。
这是最强的一条，因为它用的是本篇动机所属文献自己的度量。RouteLLM 的 PGR 分母同时含强弱两端：$\text{PGR}=(r(\text{route})-r(M_w))/(r(M_s)-r(M_w))$，PGR $=0$ 的含义是「你没比弱模型做得更好」，也就是路由没有价值 [2406.18665]。本篇 Table 13 的差值（transfer $-$ source standalone）显示四个 Tier 1 对的五项均值全为负：$-0.43$ / $-5.17$ / $-9.14$ / $-11.92$ pp [2608.03893]。换成 RouteLLM 的语言：一个升级到大模型并使用了转移缓存的 router，PGR < 0，比随机路由差，也比根本不升级差。
真正致命的不是均值为负，而是符号的分布与路由价值反相关。本篇的正收益全部落在 zero-shot 分类（ARC-C / HellaSwag / WinoGrande，$+0.5$ 到 $+3.7$ pp），退化全部落在 5-shot MMLU 与 8-shot CoT GSM8K，且随对子变远而放大（Llama 8B→70B 的 GSM8K 转移后 14.78，而 8B 自己有 56.10）[2608.03893]。而 RouteLLM 的整个价值主张是 CPT(50%) $=13.4\%$：只把 13.4% 的 query 送给强模型，送的是难的那些 [2406.18665]；GSM8K 恰恰是 RouteLLM 里最难路由、必须靠 augmentation 才能翻到随机线以上的那个 benchmark [2406.18665]。也就是说：本篇的转移在 router 会升级的子群上失效，只在 router 本来就该留在小模型上的子群上有正收益。
替本篇辩护，以及为什么辩护不完全成立：(a) 可以说 PPL 证明信息确实转移了（Llama 8B→70B 转移 PPL 4.37 介于 5.58 与 2.47 之间）[2608.03893]——成立，但 PPL 不是任务度量，本篇自己的成功判据就下在指标层 [2608.03893]。(b) 可以说 CoQA 十轮切换漂移只 1.7 pp——但 CoQA F1 是短答案抽取，不是赤字所在的 CoT 生成 regime。(c) 可以说切换动机未必是质量——这条成立，且指向本篇真正的生态位，见 §生态位；代价是要放弃论文自己写的 cost-quality cascading 动机。
本篇的诊断量（K/V-concentration、attention-output cosine）要求同时拿到 target 的 per-head query 与真值 attention 权重，且必须在评测域而非校准域上算——同一个 mapper 校准域 $R^{2}_{K}{=}0.84$、评测域 $-7.81$，域选错结论整个翻过来 [2608.03893]。真值 attention 权重来自 target 自己的前向，也就是转移本来要省掉的那次计算。所以这套诊断只能离线做对级准入，永远不能做请求级门控。
对照本簇：KVCOMM 有显式的 verify → 失败回退 dense prefill，且 anchor 的更新/剪枝统一在「解码后验证」阶段提交，避免低质量样本污染 anchor 池 [2510.12872][2510.12872]。Marconi 的 admission 是每请求一次的判定（speculative insertion + 两类 reuse taxonomy）[2411.19379]。SGLang / vLLM 不需要门控，因为复用精确 [2312.07104]。本篇既是近似的、又没有门控，是九篇里唯一的组合。这个洞在攻击一的背景下变得严重：一个对子可以在五项均值上进 Tier 1，同时在 CoT 子群上崩掉，而没有任何机制在请求级把这些请求挡回 re-prefill。更糟的是，本篇的失效是不可事后补救的——等到发现输出不对时 prefill 已经被跳过、token 已经解出来了，而 KVCOMM 的回退发生在验证之后、污染之前。
本篇的 2.7–25$\times$ 明确不含把映射后的 cache 送到 target 进程的开销 [2608.03893]。两条邻居证据说明这不是可忽略的常数：
GORGO 提供了唯一的换算工具：$t_p=0.0938$ ms/token，因此 1000 token 的缓存只值 94 ms，常不及跨区 RTT [2602.11688]。用它来给本篇记账：
| 项 | 数值 | 来源 |
|---|---|---|
| mapper 应用（Qwen3 14B→32B, 8K token） | 67.8 ms（对应 re-prefill 1154.8 ms） | [2608.03893] |
| mapper 体积 / 换页 | 4–12 GB（fp32），换页 80–480 ms（算出来的，非实测） | [2608.03893] |
| $P=5$ 车队总量 | $\sim$131 GB（fp32；若改 bf16 减半） | [2608.03893] |
| GORGO-proxy median / P99 TTFT | 224 ms / 436 ms | [2602.11688] |
结论很直白：warm mapper 压倒性胜出（67.8 vs 1154.8 ms），cold mapper 的换页 80–480 ms 单独一项就横跨 GORGO 的整个 median TTFT 并逼近其 P99。 所以真正的隐藏变量是驻留概率，而它随 $P(P-1)$ 单调恶化：$P=5$ 时 131 GB 的 fp32 权重不可能与 32B、14B 模型同住一个 8$\times$H100 节点。没有任何一篇论文测过这个驻留率，本篇也没有把它写进延迟表的口径里。附带一条本篇未披露的杠杆：L2 由参数量与落盘 GB 反推出权重是 fp32 存储（前向却是 bf16），改存 bf16 可让体积与换页时间双双减半 [2608.03893]——这是目前账面上最便宜的一次改进，而论文里根本没提。
还有一个方向性问题被 GORGO 的架构原则点破：GORGO 的 LB 只维护 prefix trie 的轻量近似（hash → node），而非精确 KV state，理由就是路由侧状态必须便宜 [2602.11688]。本篇要求路由平面额外知道「这个有序对是不是 Tier 1」并保证对应的几 GB 权重可达。它把重状态推进了一个整个文献都在刻意保持轻量的平面。
映射后的 cache 与 target 自己算出来的 cache token 相同、数值不同。而 SGLang 的 radix tree 按 token 序列索引，GORGO 的 prefix trie 用 hash → node 近似同一件事 [2312.07104][2602.11688]。于是：一旦映射后的 cache 被插入 target 的前缀缓存，后续真正的同前缀请求会命中一份近似缓存，而它们本来享有的是精确复用。SGLang 的节点上有 lock_ref 管驱逐安全 [2312.07104]，但没有任何「这份 KV 由别的模型产生」的 provenance 概念；vLLM 的 block table + refcount 同理 [2309.06180]。这是一条本篇、SGLang、vLLM 三方都未覆盖的正确性缺口，而且在多轮场景下会复利：近似 KV 成为后续轮次的前缀基底，L→S 那条 0.33 pp/turn 的线性漂移 [2608.03893] 就不再只是本次会话的事。对比 KVCOMM 明确用「验证后提交」防止低质量样本进入 anchor 池 [2510.12872]——同一个卫生问题，邻居解决了，本篇没有。
三个时代，本篇卡在第二和第三的交界。
本篇同时从第二个时代继承了「必须有请求级质量门控」的义务，从第三个时代继承了「必须进车队成本表」的义务，两项都还没结清。这不是说它站错了位置——它站的位置是真空的，而是说它的验收标准应当按这两个时代的规范来定，而不是按精确时代的「加速比」来定。
采纳证据的分布本身是一条结论。 精确时代的底座全部开源且已被生产采纳：SGLang 在 Chatbot Arena 跑了一个月、命中率 52.4% / 74.1% [2312.07104]，并且是 GORGO 实测所用的运行时 [2602.11688]；vLLM 已是事实标准推理引擎、被 HuggingFace / Ray Serve 等广泛集成 [2309.06180]；Marconi 开源并附 artifact appendix [2411.19379]，RouteLLM 开源 [2406.18665]。而近似 / 跨模型这一支整支都是闭源：本篇 [2608.03893]、PrefillShare [2602.12029]、KVCOMM [2510.12872]、GORGO [2602.11688] 都未公开实现。一个每篇结论都依赖「近似到什么程度还能用」的子领域，恰好整体不可复现——这使得跨篇校验（比如把本篇的 mapper 接到 KVCOMM 的 fallback 上）目前只能停在纸面。
本篇当下最站得住的生态位不是「替代 prefill」，而是「一台量具」。 它可迁移的资产是子空间感知诊断与那条负面结论（重构指标不预测可转移性）[2608.03893]，而这条结论对整个近似时代都适用——KVCOMM 在缓存命中比例这个层级独立撞到了同一件事 [2510.12872]。
它作为方法的生态位则窄得多，但是真实的：切换不由质量驱动的场合。 容量故障转移、配额、模型下线迁移、灰度 A/B——这些场景里「继续用小模型」不是选项，于是攻击一赖以成立的那个缺失基线自动消失，target standalone 就是正确的分母。值得注意的是这个场景没有任何一篇路由论文覆盖：RouteLLM 是质量驱动的二元路由且单轮无状态 [2406.18665]，GORGO 是延迟驱动的跨区路由 [2602.11688]，两者都不建模会话中途的被迫迁移。本篇应该把自己放在这里。
与 PrefillShare 的分工可以精确划出来，靠的是访问权限而不是精度。 本篇需要对 source 与 target 的只读白盒访问（要拿 target 真值 KV 当回归目标）但不改任何权重；PrefillShare 需要对 decode 模块的写权限（微调）并且要求把拓扑改成「单一冻结 base 占 prefill pool」[2602.12029]。所以：能跑但不能改 target 时用本篇，能改时用 PrefillShare。后面 §未探索方向 会说明为什么在「能改」的情况下几乎总该选 PrefillShare 那一侧。
1. Provenance-tagged 缓存（技术上今天就能做）。 给 SGLang 的 radix 节点 / vLLM 的 block table 加两个字段：产出模型 id 与 fidelity 标记，使近似 KV 不会被后续同前缀请求当成精确缓存命中（攻击五），并让驱逐优先淘汰近似块。可行性有先例：Marconi 已经把节点 schema 扩成 (SSM state + KV) 并用 FLOP-per-byte 而非 recency 打分 [2411.19379]，把效用扩成 $\text{FLOP saved / byte} \times \text{fidelity}$ 是同构改动。这同时给出一个本簇缺失的旋钮：在缓存压力下，近似块应该比精确块更早被丢掉，因为重算它反而恢复了精度。
2. 不需要 target 前向的请求级门控。 本篇的诊断量做不到（攻击二），但失效模式的结构给了一条便宜路子：赤字集中在 5-shot 与 CoT，而校准数据是 1,024-token 的 FineWeb-Edu 散文，域敏感性也已被量化（CodeAlpaca $-5.24$ pp）[2608.03893]。于是可以用prompt 分布而非 cache 质量做门控：检测 few-shot 模板 / CoT 触发词 / 代码域，命中则走 re-prefill。代价接近零、可离线校准、且直接对准已知的失效子群。更进一步的混合体是「映射为基底 + 选择性重算」：KVCOMM 已证明固定比例重算不稳定 [2510.12872]，但按 K/V-concentration 挑位置重算是完全不同的策略，没人试过。
3. 车队规模决定了应该训消费者、而不是训翻译器。 本篇用 per-head MLP 修好了两个失败对（$+24.3$ / $+36.8$ pp），代价是放弃 gradient-free 这个差异点 [2608.03893]。既然梯度反正要付，就该问付在哪一侧更划算——而答案由标度律给出，不由精度给出：翻译器侧的成本按有序对 $P(P-1)$ 增长、每个 1.01–3.36 B 参数 [2608.03893]；消费者侧（PrefillShare 的路线）是每个模型微调一次 decode 模块，成本 $O(P)$，且它已经证明在 1.7B/8B/14B 三档上都能追平 Full-FT、无需 base 与微调模型间的参数同步 [2602.12029][2602.12029]。这条推论两篇论文都没写出来：一旦要付梯度，$O(P)$ 的消费者侧适配在车队尺度上支配 $O(P^2)$ 的翻译器侧适配。未探索的中间点是把本篇的闭式 mapper 当作初始化或蒸馏目标，只对 target 的前若干层做 cache-conditioned 微调——用最小梯度预算换掉 6.5 GB/对 的资产。
4. 带 fidelity 项的路由代价模型。 GORGO 的加性模型是 $\text{Cost}=\text{NetLatency}+t_p\cdot\text{PrefillCost}+\hat q_s\cdot\text{QueueWait}$ [2602.11688]。接入跨模型 mapper 后需要两项新东西：把 residual prefill 换成 $\min(t_p\cdot L,\ \text{MapperApply}(L)+\text{PageIn}\cdot\mathbb{1}[\text{cold}])$，以及一个质量损失项 $\lambda_q\cdot\mathbb{E}[\Delta\text{quality}\mid \text{pair},\text{prompt class}]$。第二项是全新的：到目前为止每一个路由代价模型都隐含假设缓存复用是质量中性的——这在精确时代为真，在近似时代为假。RouteLLM 把质量放在路由目标里但假设缓存无关 [2406.18665]，GORGO 把缓存放在代价里但假设质量无关 [2602.11688]。同时含两项的模型不存在，而本篇的数据恰好是构造它所需的第一批经验分布。
5. Hybrid 架构上的跨模型 state 映射（结构上更有利，且难在别处）。 本篇明确把 hybrid / attention-recurrent 排除在外，Marconi 解释了为什么这不是顺手扩展：SSM state 就地更新、不可回滚、尺寸恒定、比单 token KV 大 10–100$\times$ [2411.19379]。但换成跨模型映射这个任务，同样这些性质反而变成优势：state 尺寸恒定意味着映射是 state → state、参数量与序列长度无关，本篇那条「mapper 体积不随 cache 大小增长」的性质会变得更强；而 Marconi 证明 SSM 条目的 FLOP-per-byte 随 $L$ 线性发散而 state 尺寸固定 [2411.19379]，意味着同一份映射资产的收益/存储比远好于本篇的 per-token matmul。难点会转移：没有 per-token 监督信号（state 是压缩摘要），而且「残差落在 attention 读不到的子空间」这条逃生通道不存在——recurrence 会把整个 state 都消费掉。这使 hybrid 版本同时是更好的工程标的和更严酷的机制检验，恰好能检验本篇「误差落点决定成败」这一解释框架是否只是 attention 的偶然性质。
6. 让「双端点 retention」成为该子领域的报告规范。 这是一条方法论修正而非研究方向，但它便宜且能立刻改变结论的可读性：任何跨模型 / 近似复用工作都应同时报 source 与 target 两个 standalone 端点，即 RouteLLM 的 PGR 形式 [2406.18665]。PrefillShare 事实上已经做对了（分母是 Full-FT，即拒绝共享时你会部署的东西）[2602.12029]，本篇没有，而 Table 13 的原始数据其实已经在附录里、只差一次相减 [2608.03893]。