快速讲一下deepseek的新论文，这次他们魔爪伸向了attention

新文论地址：

https://arxiv.org/pdf/2502.11089v1

梁文峰把自己也写上去了，他不是在北京开会吗

不整虚的我们快速过一下

先说它干啥了，V3的MOE，R1也能用，这是对MLP层做了稀疏化，省内存，省资源

但是attention它没动，现在对attention层下手了

不理解transformer架构的兄弟可以参考我以前的博文，草履虫也能学懂得Transformer系列

https://mp.weixin.qq.com/s/Qi9-SqTGk5yHkF0WQ1CdYQ?token=1866303267&lang=en_US

这篇论文提出了一种名为 NSA（Native Sparse Attention）的新型稀疏注意力机制。主要讨论了如何设计一个既能在训练时端到端优化、又能在推理阶段显著提高效率的注意力机制，以应对长文本的处理挑战。ds他们设计了一种分层的稀疏策略，将注意力分为三个分支：压缩（compression）、选择（selection）和滑动窗口（sliding window），以便同时捕捉全局上下文和局部精细信息。（这些人得工程优化思路真得很对，不过也不禁让人琢磨以前那帮训练得人咋不想呢？）另外，论文还详细说了在硬件（例如GPU）的实际加速实现上所做的优化，并通过大量实验验证了 NSA 在一般基准测试、长文本任务以及复杂推理任务上的performence

我们先看它干了啥

Attention就是qkv+softmax呗

传统说模型context长度长度上不去主要是o和o^2得计算操作，包括内存操作之争么，后来诞生了各种滑动窗口，压缩窗口，乃至FA 1，2，3其实根源都是解决这些东西得，有得从解决计算复杂度入手，有的从内存操作频度入手，但是这个文章是干啥得呢？它整合到一起了，做成了一个方法论。

它将原始的键和值表示通过三条并行的注意力路径进行处理，每条路径侧重不同的上下文信息，从而兼顾全局与局部信息，同时降低计算负担。具体来说，这三条路径的详细机制如下：

压缩（Compression）：

这一分支将连续的一段 token 序列按照固定块大小进行划分，并对每个块内的所有 token 进行聚合。通过一个带有位置编码的可学习 MLP，将一个块内的信息融合成一个单一的“压缩”表示。（这个MLP可以降低语义损失，尽量保留表征）这种方式捕捉了块级的全局语义信息，并大幅减少了后续注意力计算所需处理的 token 数量。

选择（Selection）：

为了防止压缩过程中丢失重要的细粒度信息，选择分支在较粗略的压缩之外，专门挑选出最具信息量的 token 块。具体方法是：先将序列按连续块划分，然后为每个块计算一个重要性得分（通常基于与查询的注意力得分），接着选取得分最高的几个块，这些块内的 token 将被保留下来用于精细化的注意力计算。这种策略保证了模型在保留全局结构信息的同时，也能捕捉到局部的关键信息。这个像啥，特别像他们玩得token wised quantized

滑动窗口（Sliding Window）：

除了压缩和选择外，滑动窗口分支专注于捕捉查询 token 与其相邻 token 之间的局部关系。该分支在输入序列中维护一个固定大小的窗口，对窗口内的 token 进行常规的注意力计算，确保模型能敏感地捕捉到近邻之间的细节和依赖关系，从而防止在全局稀疏化处理时局部信息被遗漏，这个就没什么特别可讲得了

所以你会发现，工程做到极致，就会做成解决方案了

来看个图把

这图展示了 NSA在整体架构层面是如何将输入序列通过三个并行的注意力分支（压缩、选择和滑动窗口）来处理，并最终将它们的输出进行融合的流程。可以把它分成“左图”和“右图”两部分来理解：

左图：总体流程

输入序列的分块（Split to Continuous Blocks）

最上方用蓝色方块表示的是输入序列的所有 token（键和值）。论文里为了后续硬件加速和稀疏化处理，会先把它们按照一定的大小进行连续分块。

压缩（Compression）分支

左下角标记为“Compression”的绿色模块表示对分块之后的 token 进行“压缩”操作：将一个块内部的 token 通过某种可学习的方式（MLP + 位置信息等）聚合成一个“压缩 token”。

这种聚合后的“压缩 token”能大幅减少需要进行注意力计算的条目数量，同时捕捉到块级的全局或高阶语义信息。

选择（Selection）分支

图中间的“Selection”绿色部分表示如何根据查询（Query）来对分块进行选择：

首先对每个分块计算一个“重要性得分”（图中黄色的“Top-n Selection”）。

然后只保留最重要的几个块（如图中绿色块），并对这些块内的 token 进行注意力计算。

这样可以在“压缩”获取全局信息的同时，保留对局部细粒度重要 token 的注意力。

滑动窗口（Sliding）分支

右侧“Sliding”绿色模块表示会在输入序列中保留一个固定大小的滑动窗口（如最近 512 个 token），专门做局部注意力。

这样可以保证模型对邻近 token 之间的依赖关系有足够的分辨率，不会因为全局稀疏化而丢失短距离信息。

门控融合（Gated Output）

最底部的“Gated Output”表明，这三个分支（压缩、选择、滑动窗口）各自产生的注意力输出，会被一个可学习的门控机制（MLP + Sigmoid 等）进行加权融合，形成最终的注意力输出。

右图：七十就是注意力模式可视化

右图用“Attention Score Activated Token”与“Ignored Token”等标注，展示了这三个分支在二维“Query–Key”坐标上的稀疏分布：

Compressed Attention Mask：代表压缩分支只需要计算的块级注意力，因聚合操作而只需在较少的 token/块上计算。

Selected Attention Mask：代表选择分支只在选中的“Top-n”重要块上进行注意力计算，其他位置被忽略（白色区域）。

Sliding Attention Mask：代表滑动窗口分支只在某个局部窗口（通常是 query 紧邻的一段 token）里计算注意力，远处的 token 被忽略。

图中的绿色区域表示“真正进行注意力计算的部分”，白色区域表示被跳过的部分。这样就能直观地看到，传统的全注意力（Full Attention）是所有位置都计算，而在 NSA 中，不同分支“各司其职”，以达到稀疏化、高效化的效果。

这样就能在预训练里面又能做到压缩显存，节省算力，又能做到长context得信息attention关联性尽量得保留

那和硬件有什么关系呢？

那关系太大了

我给你来副图

正常你看H100都是989，约等于1P吗，对吧

但是有时候你看到官方宣传那就是2P，后面有一排小字，tensorcore support，比如下面

为啥呢？

就是因为tensor core处理稀疏矩阵，比如搜广推和LLM得算力，理论上压缩就给你能抬升1倍

它这就给你干得就这事

NSA 的设计能发挥硬件（如 GPU）的特性，从而在算法设计和实现上都做了硬件对齐优化。具体来说：

硬件高效内存访问：

NSA 采用了块状压缩和选择策略，这种方法能将连续的 token 组织成固定大小的块，从而使内存访问更为连续和高效。现代 GPU 对连续内存访问（即共线性访问）的性能优化非常明显，这可以大幅减少内存访问瓶颈，提高整体计算效率。

高效利用硬件加速器：

文中给你讲了如何针对 Tensor Cores 进行优化，通过设计适合块状数据处理的核函数（kernel），确保每个内核调用中计算密集度与内存带宽之间达到了更好的平衡。这样的设计能充分利用 GPU 的并行计算能力，在训练和推理过程中都能获得显著的加速效果。

降低随机内存访问：

在传统的注意力机制中，随机的内存访问会造成较大的延迟，而 NSA 的选择分支通过对连续块的选择，有效避免了这种问题，确保了硬件的高速缓存（cache）和带宽能得到最优利用，从而进一步提高计算速度（这部用细讲了，windows app都知道要降低random 读写，能提升速度）

好，我们来个总结，NSA 不仅在算法上实现了稀疏注意力的高效建模，还通过硬件对齐的设计，优化了内存访问和计算调度，使得模型在处理长文本时能够大幅减少计算延迟和资源消耗。

不过。。

最近GenAI太卷了，最近，业界能不能歇两天，再好再新得技术也架不住天天都折腾。。。