DeepSeek 新注意力机制引热议!梁文锋亲自提交预印本,目标明确降低计算成本

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。

论文地址:
arxiv.org/abs/2502.11...

--- ---

相关推荐
jndingxin19 分钟前
OpenCV CUDA模块设备层-----高效地计算两个 uint 类型值的带权重平均值
人工智能·opencv·计算机视觉
Sweet锦30 分钟前
零基础保姆级本地化部署文心大模型4.5开源系列
人工智能·语言模型·文心一言
hie988941 小时前
MATLAB锂离子电池伪二维(P2D)模型实现
人工智能·算法·matlab
晨同学03271 小时前
opencv的颜色通道问题 & rgb & bgr
人工智能·opencv·计算机视觉
蓝婷儿2 小时前
Python 机器学习核心入门与实战进阶 Day 3 - 决策树 & 随机森林模型实战
人工智能·python·机器学习
大千AI助手2 小时前
PageRank:互联网的马尔可夫链平衡态
人工智能·机器学习·贝叶斯·mc·pagerank·条件概率·马尔科夫链
小和尚同志2 小时前
Cline | Cline + Grok3 免费 AI 编程新体验
人工智能·aigc
我就是全世界2 小时前
TensorRT-LLM:大模型推理加速的核心技术与实践优势
人工智能·机器学习·性能优化·大模型·tensorrt-llm
.30-06Springfield2 小时前
决策树(Decision tree)算法详解(ID3、C4.5、CART)
人工智能·python·算法·决策树·机器学习
我不是哆啦A梦2 小时前
破解风电运维“百模大战”困局,机械版ChatGPT诞生?
运维·人工智能·python·算法·chatgpt