DeepSeek新注意力机制论文一出，再次引爆讨论热度。
依然是熟悉的画风，熟悉的味道——
那边马斯克疯狂烧了20万张卡训出Grok 3，这厢DeepSeek重点关注的依然是压缩计算和推理成本。
具体来说，新论文提出了一种可原生训练的稀疏注意力机制，名为NSA（Native Sparse Attention）。
目的很明确：解决大模型上下文建模中，标准注意力机制造成的计算成本高昂的问题。
效果也很明显：
实验表明，在解码64k上下文时，基于softmax架构的注意力计算占到总延迟的70%-80%。而在不影响性能的前提下，NSA在64k上下文的解码、前向传播和反向传播中均实现了显著加速。
其中前向传播速度最高可提升9倍，反向传播速度最高可提升6倍，解码速度提升可达11.6倍。
正如不少网友提到的，NSA意味着DeepSeek找到了优化注意力的方法，可以用更少的算力更加高效地训练大模型，并且，他们还把这些“秘籍”公开了出来。
刚刚加入OpenAI不久的ViT核心作者Lucas Beyer也不禁开麦：粉了粉了。
另一点受到关注的是，这篇论文的作者可以说是DeepSeek系列大模型原班人马，梁文锋本人亦在其列——
论文还是梁文锋亲自传上arXiv的。
实现超快速长上下文训练推理
来看论文细节。
NSA的核心方法包括：
- 动态分层稀疏策略
- 粗粒度Token压缩
- 细粒度Token选择
整体框架上，NSA是用更紧凑的键值对替代原始注意力中的键值对，通过压缩、选择和滑动窗口（sliding window）三种映射策略得到优化注意力输出，保持高稀疏率。
采取分层设计的好处是：
- 减少计算量的同时，能有效避免信息丢失，是模型在处理长序列时既高效又精准。
- 能够在保证全局上下文感知的同时，精确捕捉局部信息，提升模型的表现。
- 可根据任务需求和上下文动态调整稀疏程度
具体到算法设计上，粗粒度Token压缩通过将连续的Token聚合成块级表示，可以捕获全局语义信息，同时减少注意力的计算负担。
细粒度Token选择从序列中选择最重要的Token，保留关键的局部信息。
滑动窗口则避免了局部模式的过度优势——在注意力机制中，局部模式往往会主导学习过程，阻止模型有效地从压缩和选择Token中学习。
为了实现以上创新，DeepSeek官方还强调了两方面的关键工作：
- 硬件对齐系统：针对张量核心利用率和内存访问优化块级稀疏注意力，确保均衡的算术强度。
- 训练感知设计：通过高效算法和向后运算符实现稳定的端到端训练。
研究人员用27B参数规模的模型进行了实验，结果显示，全注意力机制和NSA在预训练损失方面，都表现出了稳定的收敛性，并且NSA实现了更低的损失值。
在包含知识、推理和编码能力的多个通用基准测试中，与全注意力模型相比，NSA模型性能不降反超，在推理任务DROP中提升尤为明显。
长上下文方面，64k上下文的“大海捞针”测试里，NSA完美过关。
在需要复杂长下文推理的各项任务中，NSA的表现也基本超过了包括全注意力模型在内的基线模型。
而在思维链推理评估中，通过知识蒸馏和监督微调，在8k和16k上下文设置下，AIME任务中NSA-R的得分均超过了全注意力模型。
这表明，NSA预训练的稀疏注意力模式能有效捕捉长距离逻辑依赖，且其硬件对齐设计可支持不断增加的推理深度。
效率方面，在8-GPU A100系统上，NSA的训练加速效果会随上下文长度的增加而增强。在64k上下文长度时，前向传播速度最高可提升9倍，反向传播速度最高可提升6倍，解码速度提升可达11.6倍。
有意思的是，在马斯克推出Grok 3炸场之时，不少人感慨：“大力出奇迹”在大模型训练里仍然奏效——
在Grok 3成为大模型竞技场首个突破1400分模型的背后，是惊人的10万卡（后来扩展到20万）H100集群。
但现在，DeepSeek为代表的效率派们显然在引发另一种方向上的思考：通往AGI的路，可以更高效，更本地化，更人人可用。
