剛剛，DeepSeek放出重磅論文！梁文鋒親自參與！

2025-05-13 22:05 JackCui

轉自：AI寒武紀
就在馬斯克釋出grok3，sam altman 還在猶豫要不要開源時，剛剛梁文鋒作為co-authors攜deepseek研究團隊丟出重磅研究論文成果，DeepSeek 釋出了最新的研究成果——原生稀疏注意力（Native Sparse Attention, NSA）！ 這項技術有望大幅提升下一代大語言模型處理長文字的能力，同時還能兼顧效率，可謂是 LLM 領域又一里程碑式的進展！
簡單來說，論文的核心貢獻如下：
LLM 長文字能力再突破！DeepSeek 釋出原生稀疏注意力 NSA：硬體友好又高效，訓推一體化！
廢話不多說，我們一起來扒一扒這篇論文：

先了解一下論文的背景

近年來，我們見證了長文字建模在 AI 領域的重要性日益凸顯。無論是深度推理、程式碼庫生成、還是多輪對話，都離不開模型對長序列資訊的有效處理能力。像 OpenAI 的 o-series 模型、DeepSeek-R1、以及 Google Gemini 1.5 Pro 等，都展現了處理超長文字的強大潛力。
然而，傳統 Attention 機制的計算複雜度隨著序列長度的增加而呈平方級增長，這成為了制約 LLM 發展的關鍵瓶頸。計算成本高昂，延遲成為問題，如何在保證模型效能的同時，提升長文字處理的效率，成為了亟待解決的難題。
稀疏注意力應運而生，它被認為是提升效率，同時維持模型能力的有希望的方向。DeepSeek 的 NSA 技術正是在這個方向上邁出了重要一步！

DeepSeek NSA

原生稀疏注意力，訓推一體化，硬體友好
DeepSeek 提出的** NSA (Native Sparse Attention，原生稀疏注意力)** 機制，巧妙地將演算法創新與硬體最佳化相結合，旨在實現高效的長文字建模。
NSA 的核心亮點可以概括為以下兩點：
1.動態分層稀疏策略
NSA 採用了一種動態分層的稀疏策略，結合了粗粒度的 Token 壓縮 和 細粒度的 Token 選擇。這種策略既能保證模型對全域性上下文的感知，又能兼顧區域性資訊的精確性
2.兩大關鍵創新
算術強度平衡的演算法設計與硬體最佳化：NSA 透過精巧的演算法設計，並針對現代硬體進行了實現最佳化，顯著提升了計算速度。
端到端可訓練：NSA 支援端到端訓練，這意味著它不僅在推理階段高效，還能減少預訓練的計算量，同時不犧牲模型效能！

實驗效果驚豔

效能不降反升，速度大幅提升！
實驗結果令人振奮！如圖 1 所示，在通用基準測試、長文字任務和指令推理方面，使用 NSA 預訓練的模型效能不僅沒有下降，反而超越了 Full Attention 模型！
更重要的是，在處理 64k 長度的序列時，NSA 在解碼、前向傳播和反向傳播等各個階段都實現了顯著的速度提升，最高可達 11.6 倍！ 這充分證明了 NSA 在模型生命週期各個階段的效率優勢。

現有稀疏注意力方法的侷限性

論文也深入分析了現有稀疏注意力方法的侷限性，主要體現在兩個方面：
1.推理效率的“假象”： 很多方法雖然在理論上實現了稀疏計算，但在實際推理延遲方面提升有限。這主要是因為：
  • 階段限制的稀疏性： 例如，有些方法只在自迴歸解碼時應用稀疏性，但在預填充階段仍然需要大量計算
  • 與先進 Attention 架構的不相容性： 一些稀疏注意力方法難以適配像 MQA 和 GQA 這樣的現代高效解碼架構，導致記憶體訪問瓶頸依然存在
2.可訓練稀疏性的“神話”： 許多方法主要關注推理階段的稀疏性，而忽略了訓練階段。這導致：
• 效能退化： 後驗應用稀疏性可能導致模型偏離預訓練的最佳化軌跡。
• 訓練效率需求： 長序列訓練對於提升模型能力至關重要，但現有方法在訓練效率方面存在不足。
• 不可訓練的元件： 一些方法引入了不可微的離散操作，阻礙了梯度傳播，限制了模型學習最佳稀疏模式的能力。
• 反向傳播效率低下： 一些理論上可訓練的方法，在實際訓練中效率低下，例如 Token 粒度的選擇策略可能導致非連續的記憶體訪問，影響硬體利用率。

NSA 的核心元件：分層稀疏，逐層最佳化

為了克服上述侷限性，NSA 架構採用了分層 Token 建模，並透過三個並行的注意力分支處理輸入序列：
1.壓縮注意力 (Compressed Attention)： 處理粗粒度的模式，透過壓縮 Token 塊來捕獲全域性資訊。
2.選擇注意力 (Selected Attention)： 處理重要的 Token 塊，選擇性地保留細粒度的資訊。
3.滑動視窗注意力 (Sliding Window Attention)： 處理區域性上下文資訊。
這三個分支的輸出透過一個門控機制進行聚合。為了最大化效率，NSA 還專門設計了硬體最佳化的 Kernel。

寫在最後

DeepSeek 的 NSA 技術為長文字建模帶來了新的突破。它不僅在效能上超越了傳統的 Full Attention 模型，更在效率方面實現了顯著的提升，尤其是在長序列場景下。NSA 的 硬體友好設計 和 訓推一體化特性，使其在實際應用中更具優勢，有望加速下一代 LLM 在長文字處理領域的應用落地。
這項研究無疑為稀疏注意力領域帶來了新的思路和方向。未來，我們期待看到更多基於 NSA 技術的創新應用，共同推動 AI 技術的進步！
最後不得不在強調一下，梁文鋒不僅是deepseek ceo，很明顯他還在研究的最前沿參與研究，這是令我最震撼的，他不僅有管理能力，而且還真正的懂AI，deepseek前途無量。
各路網友都在喊，這才是真正的OpenAI😁

·················END·················


相關文章