问题所在：长生命周期的键值（KV）缓存必须在后续将要读取它的查询出现之前即完成压缩；而基于已观测注意力机制进行缓存选择的方法（如 H2O、SnapKV）在此场景下完全失效（在无位置编码（NoPE）的多头线性注意力（MLA）模型上，“针在 haystack 中”检索任务的准确率仅为 0.00–0.33），原因在于此时某 token 的重要性尚未被实际观察到。
方法设计：在 Kimi Linear 模型上，VestigeKV 利用缓存自身已携带的、与查询无关的信号进行逐行淘汰——即 64 维解耦分支（decoupled branch）。该分支本是 RoPE 旋转位置编码遗留下来的结构，在 NoPE 训练过程中被重新赋予功能，转化为一种表征 token 显著性（salience）的专用通道。该方法仅读取每行 KV 缓存中 11% 的数据，据此对缓存进行划分：得分最高的前 m 行保留在“活跃访问层”（attended tier）；其余所有行则被精确迁移（而非删除）至一个驻留于 GPU 显存中的归档区（archive），该归档区可在每个推理步中通过经验证的触发机制即时访问。整个过程无需额外训练、无需量化、亦不修改任何模型权重或内核实现。
开销表现：性能损耗可忽略不计——在上下文长度从 8K 扩展至 65K 的条件下，当缓存压缩比达 8 倍时，检索准确率仍稳定保持在 1.00；压缩比达 32 倍时，准确率仍高达 0.92；与全行保留策略相比，二者之间不存在任何性能差距。在 32 倍压缩比下，“活跃访问层”仅占 Kimi Linear 每 token 总缓存大小（8.1 KB）中的 0.25 KB；归档区则以比特级精确（bit-exact）方式完整保留在 GPU 显存中；若需释放显存，亦可选择将归档区卸载至主机内存（host offload），作为显存回收的一种变体方案。“召回层”（recall tier）——即本文默认采用的标准配置——可在 128 倍压缩比下维持 1.00 的检索准确率。
模型适配性说明：据公开报道，Kimi K3 模型采用了一种 NoPE 架构下的门控式多头线性注意力（Gated-MLA）变体；若其 KV 缓存布局与 Kimi Linear 一致，则本方法理论上可直接迁移应用；但本文所有结论均严格限定于所实测的模型，不对此作任何外推断言。
NoPE 独占性验证：同一操作若直接应用于 RoPE 架构的 MLA 模型，性能将急剧退化至 0.08（而仅做朴素淘汰的基线方法尚有 0.42）；事实上，“与查询无关的显著性信号”本身仅在无旋转编码（即 NoPE）条件下才存在——在 NoPE 下，各层 top-1 显著 token 目标覆盖全部 token 的 2.3%–6.7%，而在 RoPE 下该比例则大幅跃升至 10.2%–46.8%；更进一步，理论可证：在 RoPE 架构下，根本不存在适用于所有查询的、可精确合并的通用缓存策略（query-universal exact merging）。所有阈值均在接触实验数据前即已冻结；全文附带 20 条归档决策记录及 8 条已关闭的技术路径说明。
