北大团队改造DeepSeek注意力，速度快四倍还不丢精度

如意

【标题】：
北大团队改造DeepSeek注意力，速度快四倍还不丢精度

【内容】：
北大团队改造DeepSeek注意力，速度快四倍还不丢精度

  即插即用无需重新训练就在大家都急头白脸地等待DeepSeek-V4的时候，冷不丁一篇新论文引起了网友们的注意——

  提出新稀疏注意力机制HISA（分层索引稀疏注意力）

  ，突破64K上下文的索引瓶颈，相比DeepSeek正在用的DSA（DeepSeek Sparse Attention）

  提速2-4倍不仅做到了大幅提速，而且几乎不丢精度、

  即插即用不用重新训练论文直接在DeepSeek-V3.2和GLM-5上替换索引器，无需微调。

  并且在找关键信息、长文本理解等任务上，精度都和原方法几乎持平。

  两步消除上下文索引瓶颈这篇论文想解决的问题很明确：给大模型的稀疏注意力机制换个更高效的 “检索器”。

  现有主流的DSA等token级稀疏注意力，核心就是通过只计算关键token的注意力，降低了核心计算成本。

  但这个设计有个

  致命隐藏问题：要挑出相关字符，得靠一个 “索引器”——它需要把每个待查字符，和前面所有字符挨个打分，再选分数最高的。

  文本长度L越长，这个打分的工作量是

  L的平方级增长。比如长度翻倍，工作量就会翻4倍。

  到超长文本时，这个索引器的平方级成本，反而成了拖慢速度的元凶，甚至反而比真正的注意力计算还耗时。

  基于此，研究团队开始思考一个问题：能否在不改变最终稀疏注意力结果的前提下，降低索引器的搜索成本？

  于是，他们提出了HISA（分层索引稀疏注意力）

  ，核心思路也很简单：

  既然挨个打分太费时间，那就先按块筛掉大部分无关内容，再在剩下的小块里精细选。

  在功能逻辑上实现对原有模块的等价替换，无需修改后续注意力计算逻辑，相当于 “换了个更高效的筛子，筛出来的东西几乎没变”。

  具体就两步，全程复用原模型的打分规则，零学习成本：

  第一步，

  块级粗过滤把长文本切成固定大小的 “字符块”（比如128个字符一块）

  ，给每个块算一个 “整体特征向量”（相当于给每块贴个总标签）

  用原索引器的打分方式，只给这些

  块标签打分挑出分数最高的m个块（比如64个），直接扔掉剩下的所有块——块的数量远少于字符数。

  这一步能省掉绝大部分工作量。

  第二步，

  块内精挑字符只在第一步选出来的m个块里，用

  原索引器的规则给单个字符打分，再挑出最终需要的k个相关字符。

  还加了个小优化：文本的

  第一个块和最后一个块必选，保证开头的背景信息、结尾的最新上下文不被误筛，也能处理文本拼接的边界问题。

  HISA的关键优势在于：

  复杂度骤降，还能 “无缝替换”HISA把原索引器每一层 O (L²) 的算力成本，降到了O(L²/B + L×m×B)

  （B 是块大小、m 是选的块数）

  文本越长、块选得越精准，提速效果越明显。

  更重要的是它的

  工程友好性输出和原索引器完全一致，下游的注意力计算模块不用改；

  不用重新训练模型、不用调整KV缓存结构，直接替换原索引器就行；

  短文本时会自动 “退化” 成原方法，只有超长文本时才触发分层筛选，全程自适应。

  实测提速超猛，精度几乎没丢DeepSeek-V3.2、GLM-5两大主流大模型上做了全面测试，结果很亮眼：

  ，在64K长度的文本下，HISA 比原DSA索引器

  最高提速3.75倍，常规设置也能提速2倍多。

  上下文长度越长，HISA的提速效果越显著，完全契合超长上下文（128K/1M）

  的实际应用需求。

  ，HISA也几乎完全保留原DSA的精度，且显著优于纯块稀疏方法。

  论文进行了

  “大海捞针”测试，该测试衡量在超长无关文本中，精准检索指定位置关键信息的能力。

  结果HISA和DSA几乎一样准，在所有长度和插入深度下，检索精度均接近DSA的近乎满分。

  长文本理解（LongBench 基准）

  上，HISA的分数也和DSA基本持平。

  甚至在部分场景，比如合成检索、少样本学习等对token筛选精度要求高的任务中，HISA做到了小幅反超。

  超参数测试中，不同块大小、选块数量下，HISA表现都很稳定，分数均与DSA高度接近，

  无显著性能差异这也说明HISA对超参数的选择不敏感，鲁棒性强，工程落地时无需精细调参。

  不过目前HISA还有小瑕疵，作者也提出了后续改进思路：

  第一，现在块是固定大小的，若一个块里混了无关和相关内容，块的 “整体标签” 会不准。

  未来可以搞

  自适应块、重叠块，或换更好的块特征计算方式。

  第二，目前只是推理时直接用，未来可以把块筛选和模型一起训练，让筛选更精准。

  第三，现在只测了索引器的速度，未来整合到完整的大模型服务框架里，测端到端的吞吐量和延迟。

  团队背景

  这篇论文出自北京大学的张牧涵，北京大学人工智能研究院的Tanure-track助理教授和博士生导师。

  回国前曾在Facebook AI（现为 Meta AI）

  担任研究员，从事大规模图学习系统和问题的研究。

  其Google Scholar总引用量超过13000次，其中两篇一作文章引用量分别达到3100+和2400+次，连续多年入选Elsevier全球前2%顶尖科学家（生涯影响力榜单）

  Yufei Xu（徐宇飞）

  和Fanxu Meng（孟繁续）

  为论文的共同一作。

  参考链接：

  [1]https://arxiv.org/abs/2603.28458

【AI采集时间】：2026-04-07 11:07