# 무엇을 남길지 학습하는 AI, KVP

KVP 논문의 미래 유용성 순위, 오프라인 강화학습, KV 캐시 압축 실험과 계산비용의 한계를 변리사 관점에서 분석합니다.

Source: https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction

HOME / NEWS & INSIGHTS NEWS & INSIGHTS 무엇을 남길지 학습하는 AI, KVP KVP 논문의 미래 유용성 순위, 오프라인 강화학습, KV 캐시 압축 실험과 계산비용의 한계를 변리사 관점에서 분석합니다. AI 2026.10.10 게시 IPLEX 13분 읽기 작성자: 김용덕 변리사 안녕하세요. 아이피렉스 특허법률사무소, 김용덕 변리사입니다. 긴 문서를 읽는 인공지능은 이미 읽은 내용을 계산용 메모리에 쌓아 둡니다. 그러나 메모리를 줄이려고 오래된 정보부터 버리면, 마지막 질문에 필요한 단서까지 함께 사라질 수 있습니다. 오늘은 무엇을 남길지를 작은 신경망이 학습하도록 한 KVP 논문을 살펴보겠습니다. 한 문장 핵심: KVP는 각 KV 캐시의 토큰에 보존 순위를 매기는 정책을 학습해, 다양한 메모리 예산에서 앞으로 참조될 정보를 우선 남기는 방법입니다. 1. 논문 기본 정보 논문 제목은 「Learning to Evict from Key-Value Cache」입니다. 실제 논문 저자는 Luca Moschella, Laura Manduchi, Ozan Sener이며, 논문에 표시된 소속은 Apple입니다. 이 글은 해당 연구를 설명하는 분석 글입니다. 분석 기준은 ICML 2026 정식 학회 논문집 판본입니다. 서지 정보는 Proceedings of the 43rd International Conference on Machine Learning, PMLR 306:90470–90496, 2026입니다. 연구진은 이 방법을 KV Policy(KVP)라고 부릅니다. arXiv 식별자는 2602.10238이며 최초 공개일은 2026년 2월 10일, v2 수정일은 2026년 6월 26일입니다. DOI 10.48550/arXiv.2602.10238은 arXiv 기록의 식별자입니다. 본문과 도표는 PMLR 학회 판본을 기준으로 확인했습니다. 2. 기술적 과제: 캐시를 줄이되 필요한 단서를 지킬 수 있을까 트랜스포머는 새로운 토큰을 처리할 때 이전 토큰의 키(Key)와 값(Value)을 참조합니다. 이를 매번 다시 계산하지 않도록 보관하는 공간이 KV 캐시입니다. 문맥 길이와 생성 토큰 수가 늘면 캐시도 커져, 추론에 필요한 메모리의 부담이 됩니다. 도서관 책상에 참고자료를 펼쳐 놓는 상황을 생각해 보면 쉽습니다. 책상 크기가 정해져 있을 때 최근에 펼친 자료만 남길 수도 있고, 지금까지 자주 본 자료를 남길 수도 있습니다. 하지만 다음 질문의 답이 오래전 자료에 있다면 두 기준 모두 중요한 정보를 놓칠 수 있습니다. 기존 캐시 제거 방식은 처음과 마지막 토큰을 남기는 위치 규칙, 과거 어텐션 크기, 키 벡터의 특성 등을 활용합니다. 연구진은 이러한 신호를 사람이 정한 규칙에 바로 연결하기보다, 앞으로의 참조에 도움이 되는 순서를 데이터에서 학습하는 방향을 택했습니다. 여행 대화의 KVP·미래 어텐션·StreamingLLM 비교 — Figure 1, Moschella·Manduchi·Sener, ICML 2026, CC BY 4.0 여행 대화에서 KVP, 실제 미래 어텐션 중요도, StreamingLLM이 중시하는 토큰을 비교한 예시 | Moschella·Manduchi·Sener, ICML 2026, Figure 1, CC BY 4.0. 그림의 색은 같은 대화에서도 방법에 따라 중요하게 취급하는 위치가 달라짐을 보여 줍니다. 가운데 미래 어텐션은 학습 목표를 만들기 위해 사후적으로 계산한 기준입니다. 실제 서비스에서 아직 입력되지 않은 미래 질문을 미리 읽는다는 뜻은 아닙니다. 3. 핵심 아이디어: 삭제 여부보다 보존 순서를 학습한다 하나의 순위로 여러 캐시 크기에 대응하기 KVP는 토큰마다 점수를 계산한 뒤 높은 순서로 정렬합니다. 캐시 예산이 b개라면 상위 b개를 남깁니다. 예산이 500개에서 1,000개로 바뀌어도 같은 순위의 선택 경계만 조절하면 됩니다. 예산별로 별도의 분류기를 만드는 구조와 구별되는 부분입니다. 연구진은 여러 예산에서 버려지는 미래 어텐션 중요도의 합을 함께 줄이도록 목적함수를 구성합니다. 이때 토큰 중요도를 더해서 계산하는 논문의 보상 정의 아래에서는, 더 중요한 토큰을 앞에 놓은 순위가 각 예산의 선택과 일관되게 연결됩니다. 이 성질은 미래 어텐션이라는 대리 목표에 대한 결과입니다. 그 순위가 모든 질문의 정답률까지 항상 최적으로 만든다고 증명한 것은 아닙니다. 토큰 간의 상호작용이나 작은 단서의 의미는 어텐션 합만으로 완전히 표현되지 않을 수 있습니다. 작은 정책망에 들어가는 정보 정책망 입력은 해당 토큰의 키 벡터, 값 벡터, 원래 위치입니다. 배포 단계에서는 쿼리나 전체 어텐션 행렬을 정책망에 제공하지 않습니다. 각 층의 각 KV 헤드마다 별도의 작은 다층 퍼셉트론(MLP)이 점수를 계산합니다. 주요 실험 모델 Qwen2.5-7B는 28개 층과 층당 4개 KV 헤드를 사용하므로 정책망은 총 112개입니다. 논문 설정의 개별 정책망은 약 65만 개 파라미터를 갖습니다. 각각은 작지만, 전체 정책망의 저장·계산 비용도 함께 살펴보아야 합니다. 4. 학습 과정: 미래의 참조 기록으로 순위 정책을 훈련한다 1단계: 원래 언어모델의 실행 기록 수집 연구진은 먼저 원래 언어모델을 실행해 쿼리(Q), 키(K), 값(V) 기록을 모읍니다. 이후 시점의 쿼리가 앞선 키에 부여하는 어텐션을 계산하면, 그 토큰이 미래에 얼마나 참조되는지 학습용 중요도를 구성할 수 있습니다. 학습 기록을 얻는 단계에는 언어모델 실행이 필요합니다. 2단계: 여러 가능한 순위를 비교 정책망의 점수로 Plackett–Luce 순위 분포를 정의하고, Gumbel 잡음을 더한 뒤 정렬해 순위 표본을 얻습니다. 쉽게 말해 처음부터 한 가지 순위만 확정하는 대신, 여러 보존 순서를 시도하면서 중요한 정보를 적게 버리는 순서에 더 높은 보상을 주는 방식입니다. 3단계: 순위 보상으로 정책망만 갱신 강화학습에는 REINFORCE와 RLOO(다른 순위 표본의 보상을 기준으로 삼는 방식)를 사용합니다. 여러 캐시 예산의 손실을 묶은 보상을 통해 작은 예산과 큰 예산을 함께 다룹니다. 정책망 갱신은 수집된 기록 위에서 이뤄지므로, 매 갱신마다 거대 언어모델 전체를 실행할 필요는 없습니다. 이 구분이 계산 구조의 핵심입니다. 사전 기록 수집 비용은 존재하지만, 캐시 정책의 반복 학습을 언어모델의 반복 추론과 분리할 수 있습니다. 미래 어텐션은 학습용 기준으로 사용하고, 실제 선택은 현재 캐시의 K·V·위치로 수행합니다. 5. 실제 처리 흐름과 실험 조건 추론 시에는 ① 현재 캐시의 K·V·위치를 읽고, ② 각 정책망으로 점수를 계산한 다음, ③ 예산에 맞는 상위 토큰을 선택하고, ④ 남긴 캐시로 이후 어텐션 계산을 이어갑니다. 논문의 평가에서는 처음 4개와 마지막 16개 토큰을 항상 보존합니다. 따라서 모든 위치 규칙을 없앤 방식으로 설명하면 부정확합니다. 주요 비교는 Qwen2.5-7B를 대상으로 합니다. 정책 학습에는 짧은 RULER 문맥 또는 OASST2 대화 기록을 사용하며, 비교 방법에는 StreamingLLM, TOVA, SnapKV, LagKV, KeyDiff, K-Norm 등이 포함됩니다. 부록에는 Phi-4 14B 모델 결과도 제시됩니다. 짧은 문맥 평가는 프리필, 즉 입력을 먼저 처리하는 단계에서 캐시를 한 번 압축하고 응답을 생성하는 설정입니다. 긴 입력은 여러 청크로 나누고, 이전에 남긴 캐시와 새 청크를 함께 압축합니다. 모든 층·헤드에 같은 캐시 예산을 주므로, 헤드마다 서로 다른 용량을 자동 배분한 실험은 아닙니다. 일부 짧은 문맥 실험은 어텐션 마스크로 제거를 모사하고, 긴 문맥 실험은 실제 KV 텐서를 압축합니다. 그러므로 그래프의 정확도 개선을 곧바로 모든 실행 환경의 실제 메모리 절감률이나 서비스 지연 감소율로 환산해서는 안 됩니다. 6. 주요 결과: 같은 캐시 예산에서 무엇이 달라졌나 RULER 정확도와 OASST2 퍼플렉서티 — Figure 2, Moschella·Manduchi·Sener, ICML 2026, CC BY 4.0 짧은 문맥에서의 RULER 정확도와 OASST2 퍼플렉서티 비교 | Moschella·Manduchi·Sener, ICML 2026, Figure 2, CC BY 4.0. 가로축 Cache Size는 남기는 캐시 토큰 수입니다. 왼쪽 RULER 정확도는 높을수록 좋고, 오른쪽 OASST2 퍼플렉서티는 낮을수록 좋습니다. 같은 예산에서 비교해야 하며, 두 그래프의 세로축을 같은 의미로 읽어서는 안 됩니다. RULER에서는 KVP가 넓은 예산 구간에서 높은 정확도를 보입니다. 예산이 충분해지면 여러 방법의 결과가 가까워지는 모습도 확인됩니다. OASST2에서는 KVP가 많은 구간에서 유리하지만, 아주 작은 예산에서는 LagKV의 퍼플렉서티가 더 낮은 구간이 있습니다. 모든 조건에서 일률적으로 최고라고 요약할 결과는 아닙니다. RULER 128K의 캐시 크기별 정확도 — Figure 3, Moschella·Manduchi·Sener, ICML 2026, CC BY 4.0 짧은 문맥으로 학습한 정책을 RULER 128K의 긴 문맥에 적용한 결과 | Moschella·Manduchi·Sener, ICML 2026, Figure 3, CC BY 4.0. 128K 실험은 약 4K 문맥에서 학습한 정책을 훨씬 긴 입력에 적용했다는 점에서 의미가 있습니다. KVP는 표시된 예산 전반에서 비교 방법보다 높은 정확도를 보였습니다. 다만 10,000개 캐시 예산에서도 정확도는 그래프상 약 29%입니다. 상대적 우위와 과제의 절대 난도를 함께 읽어야 합니다. 이 결과가 보여 주는 것은 학습 문맥보다 긴 입력에서의 성능 유지 가능성입니다. 긴 문서의 내용을 거의 완벽하게 기억한다거나, 압축으로 인한 정보 손실이 없다는 의미로 확대할 수는 없습니다. 7. 적용 범위: 학습 데이터가 보존할 정보의 성격을 바꾼다 LongBench 영문·중문 검색의 학습 데이터별 성능 — Figure 5, Moschella·Manduchi·Sener, ICML 2026, CC BY 4.0 LongBench 영문·중문 문단 검색에서 학습 데이터에 따른 정책 성능 차이 | Moschella·Manduchi·Sener, ICML 2026, Figure 5, CC BY 4.0. KVPᴿ은 RULER로 학습한 정책, KVPˢ는 OASST2로 학습한 정책입니다. 영문과 중문 문단 검색에서는 KVPᴿ이 특히 작은 예산에서 더 유리합니다. 예를 들어 영문 그래프의 캐시 1,000개 지점에서 KVPᴿ은 90점대를 보이는 반면 KVPˢ는 약 40점 수준입니다. 이는 도표에서 읽은 근삿값입니다. 반대로 논문의 BoolQ와 GovReport 평가에서는 대화 데이터로 학습한 정책이 더 적합한 양상을 보입니다. 어떤 정보를 남기는 것이 유용한지는 서비스의 질문·문서·응답 분포와 연결됩니다. 하나의 정책이 모든 업무에서 같은 효과를 낸다는 결론은 피해야 합니다. 해설자의 관점에서, 문서 검색 보조·긴 대화·요약 등은 적용을 검토할 수 있는 서로 다른 환경입니다. 실제 도입 시에는 해당 업무에서 필요한 단서가 보존되는지 평가해야 합니다. 이 논문만으로 각각의 상용 서비스 효과가 입증된 것은 아닙니다. 8. 학습 목표를 바꾸면 결과도 달라진다 OASST2 특정 층·헤드의 학습 목적함수 비교 — Figure 6, Moschella·Manduchi·Sener, ICML 2026, CC BY 4.0 OASST2에서 캐시 예산별 보상 손실을 비교한 절제 실험 | Moschella·Manduchi·Sener, ICML 2026, Figure 6, CC BY 4.0. 이 그림의 세로축은 정답률이 아니라 논문이 정의한 보상의 음수입니다. 각 순위의 토큰이 전체 정규화 학습 비용에 기여하는 값을 나타내며, 낮을수록 유리합니다. 오른쪽은 같은 미래 중요도 정보를 이용하더라도 회귀, 쌍별 비교, 리스트 순위 학습과 강화학습의 결과가 다를 수 있음을 보여 줍니다. 연구진의 해석은 큰 어텐션을 받는 일부 토큰에만 학습이 치우치면, 나머지 토큰들의 순서를 충분히 구별하지 못할 수 있다는 것입니다. 예산 전반을 고려한 강화학습은 이 실험에서 낮은 비용을 유지합니다. 가중치를 두지 않은 Soft-Sort도 많은 예산 구간에서 경쟁력이 있으나, 매우 작은 예산에서는 차이가 나타납니다. 이 절제 실험은 OASST2의 특정 층·헤드, 즉 10번 층의 0번 KV 헤드에 대한 결과입니다. 이를 모든 모델과 모든 목적함수에서 강화학습만이 정답이라는 주장으로 일반화해서는 안 됩니다. 9. 계산비용과 아직 남아 있는 한계 KV 선택 연산과 프리필·디코딩 참조 시간 — Figure 7, Moschella·Manduchi·Sener, ICML 2026, CC BY 4.0 캐시 선택 연산의 실행시간 비교와 언어모델 프리필·디코딩 시간 참고선 | Moschella·Manduchi·Sener, ICML 2026, Figure 7, CC BY 4.0. 그림은 B200 GPU에서 측정한 캐시 정책 연산의 시간입니다. 개별 KV 헤드의 중요도 및 선택 인덱스 계산을 비교하며, 언어모델 전체 프리필·디코딩 시간은 참고선으로 함께 표시됩니다. TOVA와 SnapKV의 어텐션 재계산 비용은 이 비교에서 제외되어 있습니다. 연구진은 10,000 토큰 조건에서 KVP 선택 연산 약 0.71ms와 전체 프리필 약 404ms를 제시합니다. 비교 대상의 범위가 다르므로 두 수치를 나누어 서비스가 수백 배 빨라졌다고 말할 수는 없습니다. 전체 추론 시스템을 최적화하고 측정한 지연 감소 결과는 이 연구의 검증 범위에 포함되지 않습니다. 파라미터 수를 바탕으로 한 계산량 추정에서는 112개 정책망을 포함해 토큰당 약 14GFLOPs가 14.15GFLOPs로 증가하며, 추가량은 약 1% 수준입니다. 이 수치는 이론적 추정이며, 실제 처리시간이나 총 메모리 증가율과 동일하지 않습니다. 오프라인 학습도 준비 비용을 없애지는 않습니다. 부록의 OASST 기록 수집 사례는 4,649개 대화에 대해 8개 GPU씩 갖춘 7개 노드를 사용했고, 기록 용량은 약 1.2TB였습니다. 개별 정책망의 학습이 8개 H100 GPU에서 30분 미만이라는 설명도 전체 112개 정책망 학습 시간이 그만큼이라는 뜻은 아닙니다. 남은 한계는 미래 어텐션이라는 대리 목표, 층·헤드 사이의 상호작용을 분리해 다루는 구조, 학습 데이터 분포에 대한 의존성입니다. 또한 현재 검증은 프리필 압축 중심이므로, 계속 이어지는 생성 과정에 반복 적용할 때의 장기 안정성과 전체 시스템 효과는 별도로 확인할 필요가 있습니다. 10. 변리사 관점의 기술 분석 기술적 과제 문맥이 길어질수록 증가하는 KV 캐시를 제한된 용량 안에서 유지하면서, 이후 추론에 필요한 정보를 덜 잃도록 하는 과제입니다. 단순히 토큰을 많이 삭제하는 것보다, 같은 보존 개수에서 정보 손실을 어떻게 줄이는지가 핵심입니다. 해결 수단과 구성의 연결 K·V·위치를 받는 층별·헤드별 정책망, 토큰 전체의 보존 순위를 만드는 구조, 여러 캐시 예산의 손실을 통합한 학습 보상, 사전 수집된 실행 기록을 이용한 오프라인 갱신이 연결됩니다. 학습에서 얻은 순위는 추론 시 상위 b개 캐시를 남기는 실제 선택 동작으로 이어집니다. 기존 접근과 구별되는 내용 해설자의 관점에서 특히 눈여겨볼 부분은 미래의 참조 정보를 학습 목표로 활용하면서도, 배포 시에는 현재의 K·V·위치만으로 순위를 산출한다는 결합 관계입니다. 여기에 특정 예산에만 맞춘 제거 결정 대신 여러 예산에 재사용할 순위를 학습하고, 반복적인 정책 학습을 언어모델 실행에서 분리했다는 특징이 더해집니다. 논문에서 확인되는 기술적 효과 입증된 효과는 제시된 벤치마크와 모델 조건에서 같은 캐시 예산의 정확도·퍼플렉서티·검색 성능이 개선되는 양상, 짧은 문맥으로 학습한 정책의 긴 문맥 적용 결과입니다. 효과의 범위는 학습 분포와 예산에 따라 달라집니다. 정책 선택 연산의 낮은 실행시간은 확인되지만, 전체 서비스 가속 효과까지 같은 수준으로 입증된 것은 아닙니다. 11. 마무리 KVP는 인공지능의 기억 공간을 줄이는 문제를 어떤 토큰을 먼저 남길 것인지 학습하는 문제로 바꾸었습니다. 토큰의 K·V·위치를 읽는 작은 정책망과, 여러 예산을 함께 고려하는 순위 학습을 연결해 캐시 선택의 기준을 데이터에서 얻는다는 점이 이 연구의 중심입니다. 이 논문의 가치는 제한된 메모리 안에서 보존할 정보를 더 잘 선택할 수 있다는 가능성과, 그 선택이 학습 데이터·목표함수·평가 조건에 의존한다는 사실을 함께 보여 준다는 데 있습니다. 기술을 이해할 때에는 보존 순위를 만드는 구성, 그 순위가 실제 캐시 선택으로 이어지는 과정, 그리고 확인된 효과의 범위를 함께 살펴보아야 합니다. 논문 게재 정보 및 원문 도판: CC BY 4.0, 원본 내용 보존·웹 표시 형식 변환 AI 특허 전문성 보기 이 글은 표시된 게시일을 기준으로 작성된 자료입니다. 개별 사안에 대한 검토는 상담을 통해 안내합니다. 관련 업무 상담 ↗ 전체 글 보기 ON THIS PAGE 1. 논문 기본 정보 2. 기술적 과제: 캐시를 줄이되 필요한 단서를 지킬 수 있을까 3. 핵심 아이디어: 삭제 여부보다 보존 순서를 학습한다 하나의 순위로 여러 캐시 크기에 대응하기 작은 정책망에 들어가는 정보 4. 학습 과정: 미래의 참조 기록으로 순위 정책을 훈련한다 1단계: 원래 언어모델의 실행 기록 수집 2단계: 여러 가능한 순위를 비교 3단계: 순위 보상으로 정책망만 갱신 5. 실제 처리 흐름과 실험 조건 6. 주요 결과: 같은 캐시 예산에서 무엇이 달라졌나 7. 적용 범위: 학습 데이터가 보존할 정보의 성격을 바꾼다 8. 학습 목표를 바꾸면 결과도 달라진다 9. 계산비용과 아직 남아 있는 한계 10. 변리사 관점의 기술 분석 기술적 과제 TALK TO IPLEX 우리 기업에 맞는 IP 전략이 필요하다면 기술과 사업의 상황에 맞춰 필요한 업무를 함께 살펴봅니다. ↗ 상담 문의 최근 글 디자인 무권리자 출원과 창작 기여 ↗ 이전 글 디자인 공지일, 판매 날짜만 믿어도 될까요? ↗ 함께 읽을 인사이트 인공지능 2026.10.15 거리에서 경로로, PaTH Attention PaTH Attention의 입력 의존 Householder형 변환과 상태 추적 원리, 장문·모델 전환 실험의 효과와 한계를 분석합니다. ↗ 본문 읽기 인공지능 2026.10.14 화웨이 Pangu Weather AI 특허 쉽게 읽기: 시간 간격별 모델로 예보를 이어 가는 원리 화웨이 공개출원 US20250258318A1의 시간 간격별 모델 선택, 예측 상태 전달과 기상 데이터 결합 원리를 분석합니다. ↗ 본문 읽기 인공지능 2026.10.13 큰 묶음으로 갱신하는 AI의 기억, LaCT LaCT 논문의 큰 청크 갱신, 비선형 빠른 가중치, 윈도 어텐션 및 실험 조건과 한계를 분석합니다. ↗ 본문 읽기

- https://www.iplexlaw.co.kr/
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4/category/ai
- https://proceedings.mlr.press/v306/moschella26a.html
- https://creativecommons.org/licenses/by/4.0/
- https://www.iplexlaw.co.kr/ko/ai-patents
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-0
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-1
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-2
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-3
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-4
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-5
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-6
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-7
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-8
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-9
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-10
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-11
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-12
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-13
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-14
- https://www.iplexlaw.co.kr/ko/blog/kvp-learned-kv-cache-eviction#case-1818-ko-15
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/ko/blog/brunch-case-1819
- https://www.iplexlaw.co.kr/ko/blog/brunch-case-1817
- https://www.iplexlaw.co.kr/ko/blog/path-attention-householder-transformations
- https://www.iplexlaw.co.kr/ko/blog/path-attention-householder-transformations
- https://www.iplexlaw.co.kr/ko/blog/huawei-pangu-weather-time-interval-models
- https://www.iplexlaw.co.kr/ko/blog/huawei-pangu-weather-time-interval-models
- https://www.iplexlaw.co.kr/ko/blog/lact-large-chunk-test-time-training
- https://www.iplexlaw.co.kr/ko/blog/lact-large-chunk-test-time-training