大模型小知识：如何将模型的上下文长度扩展到1M，大模型入门到精通，收藏这篇就足够了！

在大语言模型（LLM）中，“上下文长度”一直是一个让人头疼的问题。
比如 Llama2 70B 的原生上下文只有 4k tokens，超过这个量，模型就会“记不住前面说过什么”。

但在 2024 年，香港大学团队提出的 DCA（Dual Chunk Attention，双块注意力机制） 让事情发生了变化：

它让模型在不做任何训练的情况下，就能把上下文扩展到 100k+ tokens！

更重要的是：
性能几乎不下降，推理速度还更快，内存占用更小。

DCA 是怎么做到的？
——诀窍就在于：把原本 L×L 的大注意力矩阵拆成多个“小块注意力”，并让这些小块之间正确“交流”。

为了理解这个思路，我们从这张图开始：

🧩 图里的三种注意力类型

1. (a) Intra-Chunk Attention（块内注意力）
2. (b) Inter-Chunk Attention（块间注意力）
3. © Successive-Chunk Attention（连续块注意力）

这三个模块共同构成了 DCA 的“长程依赖”能力。

下面逐一解释。

1️⃣ 块内注意力（Intra-Chunk Attention）

对应图 (a)，想象你把一个长文本切成多个 “Chunk”（段/块），每块大小约等于模型原来的上下文窗口，比如 4k。

块内注意力 = 每块自己内部的注意力。

在图里，这对应左上角和右上角那两个蓝色三角区域：

Chunk1 内部：蓝色数字 0~5
Chunk2 内部：蓝色数字 0~5
这些数字代表 
模型认为 token 之间的相对位置。

👉 关键点：在每个块内部，位置编码完全照搬预训练时的方式。
因此模型在块内的表现跟原来一样好，这是 DCA 不需要训练的核心原因之一。

简化理解：

块内注意力 = 模型本来就会做的事情。

2️⃣ 块间注意力（Inter-Chunk Attention）

对应图 (b)

当 Query（q）在 Chunk 2，而 Key（k）在 Chunk 1 时，就属于块间注意力。

图 (b) 中的红色方块：

数字 9, 8, 7, ... 表示重映射后的“虚拟相对位置”

为什么这些数字这么大？
因为 q 和 k 位于很远的两段文本，真实相对距离已经超过模型的预训练范围（比如 >4k）。

但模型不能理解这样的超长距离，于是 DCA 做了一个巧妙的事情：

把太大的相对距离重新映射到模型能接受的范围内（例如 0~4096）—但仍保持远近关系不变。

比如真实距离可能是 9000，但 DCA 让模型看到的不是 9000，而是“模型熟悉的一个位置”，类似：

真实距离 9000 → 映射成 4000 内的某个安全位置

这保证了：

• 不超出模型原生位置编码的知识范围
• 还能让模型感受到“这是很远的 token”

这是 DCA 能扩展上下文长度的另一个关键。

3️⃣ 连续块注意力（Successive-Chunk Attention）

对应图 ©。这是最关键的一步，也是 DCA 独有的设计。

即：让相邻块之间的边界尽可能平滑。

图 © 结合了蓝色（块内）和红色（块间）两种注意力：

• 蓝色：当前块内部
• 红色：前一个块的后部
• 再加上一些连续区域的平滑过渡（W=4）

直觉上：

模型看 Chunk2 的开头时，必须知道 Chunk1 的结尾发生了什么。

如果这个过渡不顺畅，模型可能会“失忆”或“断裂”。
Successive-Chunk Attention 就是用来保证自然衔接的。

🧠 DCA 背后的数学思想（简化版）

整个序列长度为：

L

用块大小 w 划分成：

对每个块，我们做三种注意力：

块内注意力（正常）

块间注意力（重映射位置）

其中 Mij是“位置映射矩阵”，用于把超长距离映射到安全范围。

最终注意力 = 三者合并

确保：

• 局部信息（块内）不丢
• 跨块信息可访问
• 块与块之间连续

⚡ 为什么 DCA 如此强大？

1. 不需要训练

所有数学操作都只是在构造新的相对位置索引（模型能理解），
不动模型的任何权重。

2. 计算复杂度降低

原始注意力：

DCA：

如果 L=100k，w=4k
加速与节省内存都非常显著。

3. 保持性能

测试发现：

• 困惑度（PPL）基本不变
• 长文问答表现接近甚至优于训练过的长上下文模型
• 与 Flash Attention 2 完全兼容 → 速度更快

4. 对现有技术完全正交

可与以下技术叠加：

• NTK scaling
• PI (Position Interpolation)
• 多头位置编码增强
• RAG 系统

叠加后效果更强。

🔍 DCA 的应用场景

📄 长文档分析

如法律合同、论文、书籍、几十万字的 PDF。

🤖 对话系统的长记忆

几乎可以让 ChatGPT 式对话做到“长久记忆”。

🧑‍💻 大型代码库理解

跨文件依赖、长函数追踪、项目级代码分析。

📝 文档总结

在不丢失细节的前提下总结超长内容。

🔎 信息检索

直接把大量文档放进上下文，而不是靠外部向量数据库。

⚠ DCA 的局限

1. 对硬件仍然有要求

上下文越长，占用显存还是会线性增长。

2. 块大小很重要

不能太大也不能太小，否则性能下降。

3. 某些需要频繁跨块通信的任务效果一般

如 token 频繁依赖远处内容的任务（代码生成某些场景）。

🧭 总结：DCA 是“无需训练就扩展上下文”的革命性方法

一句话总结：

DCA 把 transformer 的注意力矩阵按块切开，用三种注意力方式重新组织，使模型在不训练的前提下也能理解十万字长文。

它带来的意义非常重大：

• 让任何 4k 模型变成 100k 模型
• 不训练、不微调
• 保持原本性能
• 推理更快、显存更省

随着长上下文需求爆炸增长（RAG、搜索、Agent），
DCA 将成为未来 LLM 应用的关键技术之一。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！