7 月 30 日，ACL（國際計算語言學(xué)年會）公布了 2025 年的獲獎?wù)撐?。令人驚喜的是，這些論文里的中國作者比例超過 51%，排在第二的美國僅為 14%。

其中，一篇由 DeepSeek 梁文鋒作為通訊作者、與北京大學(xué)等聯(lián)合發(fā)表的論文不僅拿下 Best Paper 獎，相關(guān)成果也引發(fā)熱議。

現(xiàn)場講座中，該論文的第一作者袁境陽透露，這項技術(shù)可以把上下文長度擴展到 100 萬 tokens，并將應(yīng)用在他們的下一個前沿模型中。據(jù)了解，袁境陽當(dāng)時寫這篇論文時還只是 Deepseek 的實習(xí)生。

引入兩大核心技術(shù)創(chuàng)新

長上下文建模對于下一代語言模型至關(guān)重要，但標(biāo)準(zhǔn)注意力機制的高計算成本帶來了顯著的計算挑戰(zhàn)。隨著序列長度的增加，延遲瓶頸問題愈發(fā)凸顯。理論估算表明，在解碼 64k 長度的上下文時，采用 softmax 架構(gòu)的注意力計算占總延遲的 70%–80%，這凸顯了對更高效注意力機制的迫切需求。

為解決這些局限性，有效的稀疏注意力機制在實際應(yīng)用中必須應(yīng)對兩項關(guān)鍵挑戰(zhàn)：與硬件適配的推理加速，要將理論上的計算量減少轉(zhuǎn)化為實際的速度提升，就需要在預(yù)填充和解碼階段都采用硬件友好型的算法設(shè)計，以緩解內(nèi)存訪問和硬件調(diào)度方面的瓶頸；兼顧訓(xùn)練的算法設(shè)計，通過可訓(xùn)練算子實現(xiàn)端到端計算，在維持模型性能的同時降低訓(xùn)練成本。

綜合考慮這兩個方面，現(xiàn)有方法仍存在明顯差距。該團(tuán)隊認(rèn)為，稀疏注意力為在保持模型能力的同時提高效率提供了一個很有前景的方向。

在獲獎?wù)撐闹?，他們提出?NSA，這是一種可原生訓(xùn)練的稀疏注意力（Natively trainable Sparse Attention）機制。它將算法創(chuàng)新與硬件對齊優(yōu)化相結(jié)合，以實現(xiàn)高效的長上下文建模。據(jù)介紹，NSA 采用動態(tài)分層稀疏策略，結(jié)合粗粒度的 token 壓縮和細(xì)粒度的 token 選擇，以同時保留全局上下文感知和局部精度。

具體來說，NSA 引入了兩項核心創(chuàng)新。

通過算術(shù)強度平衡的算法設(shè)計實現(xiàn)了顯著的加速，并針對現(xiàn)代硬件進(jìn)行了實現(xiàn)優(yōu)化：優(yōu)化塊式稀疏注意力，以提高張量核利用率和內(nèi)存訪問，確保均衡的算術(shù)強度。

通過高效算法和反向算子實現(xiàn)穩(wěn)定的端到端訓(xùn)練，在不犧牲模型性能的情況下減少了預(yù)訓(xùn)練計算量。

上下文處理速度狂飆，

準(zhǔn)確率堪稱“完美”

在真實世界語言語料庫上進(jìn)行綜合實驗評估后，NSA 由于稀疏性過濾掉更多噪聲，在基準(zhǔn)測試中產(chǎn)生更好的準(zhǔn)確率。據(jù)悉，該團(tuán)隊在一個擁有 270 億參數(shù)的 Transformer 骨干網(wǎng)絡(luò)（其中激活參數(shù)為 30 億）上，使用 2600 億個 token 進(jìn)行預(yù)訓(xùn)練，并從通用語言評估、長上下文評估和思維鏈推理評估三個方面評估了 NSA 的性能，還在 A100 GPU 上將其內(nèi)核速度與經(jīng)過優(yōu)化的 Triton 實現(xiàn)作了進(jìn)一步比較。

實驗結(jié)果表明，NSA 的整體性能與全注意力模型相當(dāng)甚至更優(yōu)。在 9 項指標(biāo)中的 7 項上，NSA 均超過了包括全注意力模型在內(nèi)的所有基線。這表明，盡管 NSA 在較短序列上可能無法充分發(fā)揮其效率優(yōu)勢，但它展現(xiàn)出了強勁的性能。

值得注意的是，NSA 在推理相關(guān)的基準(zhǔn)測試中取得了顯著提升（DROP：+0.042，GSM8K：+0.034），這說明該團(tuán)隊的預(yù)訓(xùn)練有助于模型發(fā)展出專門的注意力機制。這種稀疏注意力預(yù)訓(xùn)練機制迫使模型聚焦于最重要的信息，通過過濾無關(guān)注意力路徑中的噪聲，可能會提升性能。在各類評估中表現(xiàn)出的一致性，也驗證了 NSA 作為通用架構(gòu)的穩(wěn)健性。

在 64k 上下文的“大海撈針”測試中，NSA 在所有位置都實現(xiàn)了完美的檢索準(zhǔn)確率。此外，與全注意力相比，NSA 在解碼、前向傳播和反向傳播方面都實現(xiàn)了顯著的速度提升，且序列越長，提速比例越大。

據(jù)該團(tuán)隊稱，這一性能正是得益于其分層稀疏注意力設(shè)計，該設(shè)計結(jié)合了用于高效全局上下文掃描的 token 壓縮和用于精確局部信息檢索的 token 選擇。粗粒度的 token 壓縮以較低的計算成本識別相關(guān)的上下文塊，而對 token 選擇的標(biāo)記級注意力則確保保留關(guān)鍵的細(xì)粒度信息。

同時，NSA 優(yōu)于多種現(xiàn)有的稀疏注意力方法，包括 H2O、infLLM、Quest 以及 Exact-Top。

值得注意的是，NSA 在需要對長上下文進(jìn)行復(fù)雜推理的任務(wù)上表現(xiàn)出色，在多跳問答任務(wù)（HPQ 和 2Wiki）上比全注意力模型分別提升 0.087 和 0.051，在代碼理解任務(wù)（LCC）上超出基線模型 0.069，在段落檢索任務(wù)（PassR-en）上優(yōu)于其他方法 0.075。這些結(jié)果也驗證了 NSA 處理各種長上下文挑戰(zhàn)的能力，其原生預(yù)訓(xùn)練的稀疏注意力在學(xué)習(xí)任務(wù)最優(yōu)模式方面帶來了額外優(yōu)勢。

為評估 NSA 與先進(jìn)下游訓(xùn)練范式的兼容性，該團(tuán)隊研究了其通過后期訓(xùn)練獲得思維鏈數(shù)學(xué)推理能力的潛力。鑒于強化學(xué)習(xí)在較小規(guī)模模型上的效果有限，其采用來自 DeepSeek-R1 的知識蒸餾，使用 100 億個 32k 長度的數(shù)學(xué)推理軌跡進(jìn)行有監(jiān)督微調(diào)（SFT）。這產(chǎn)生了兩個可比較的模型：全注意力 - R（全注意力基線模型）和 NSA-R（稀疏變體）。

接著，他們在具有挑戰(zhàn)性的美國數(shù)學(xué)邀請賽（AIME 24）基準(zhǔn)上對這兩個模型進(jìn)行了評估，使用 0.7 的采樣溫度和 0.95 的核采樣值，為每個問題生成 16 個回答并取平均分。并且，為驗證推理深度的影響，他們在兩種生成上下文序列下進(jìn)行了實驗。結(jié)果顯示，NSA-R 在 8k 和 16k 序列長度下的表現(xiàn)均優(yōu)于全注意力 - R。

這些結(jié)果驗證了原生稀疏注意力的兩項關(guān)鍵優(yōu)勢：（1）預(yù)訓(xùn)練的稀疏注意力模式能夠高效捕捉復(fù)雜數(shù)學(xué)推導(dǎo)所必需的長程邏輯依賴關(guān)系；（2）我們架構(gòu)的硬件對齊設(shè)計保持了足夠的上下文密度，以支持推理深度的增加，同時避免災(zāi)難性遺忘。在不同上下文長度下的持續(xù)優(yōu)異表現(xiàn)證實，當(dāng)稀疏注意力被原生整合到訓(xùn)練流程中時，其在高級推理任務(wù)中具有切實可行性。

計算效率方面，該團(tuán)隊將基于 Triton 實現(xiàn)的 NSA 注意力機制和全注意力機制，與基于 Triton 的 FlashAttention-2 在 8-GPU A100 系統(tǒng)進(jìn)行了比較，以確保在相同后端下進(jìn)行公平的速度對比。

結(jié)果表明，隨著上下文長度的增加，NSA 實現(xiàn)了越來越顯著的速度提升。在 64k 上下文長度下，前向速度提升高達(dá) 9.0 倍，反向速度提升高達(dá) 6.0 倍。值得注意的是，序列越長，速度優(yōu)勢就越明顯。隨著解碼長度的增加，NSA 的方法延遲顯著降低，在 64k 上下文長度下提速高達(dá) 11.6 倍，且這種內(nèi)存訪問效率方面的優(yōu)勢也會隨著序列變長而進(jìn)一步擴大。

值得一提的是，這篇論文早在今年 2 月就對外公布，而相關(guān)研究成果至今還沒有出現(xiàn)在任何 DeepSeek 模型中。不過，根據(jù)論文一作袁境陽的說法，DeepSeek 下一代模型就將應(yīng)用這項技術(shù)，這也讓許多網(wǎng)友對 DeepSeek V4 的發(fā)布更加期待，畢竟其與 DeepSeek R2 的發(fā)布計劃似乎也有很大關(guān)聯(lián)。

早在今年 4 月，就有“DeepSeek R2 提前泄露”的傳言在 AI 圈刷屏。源頭是來自 Hugging Face CEO 發(fā)布的一條耐人尋味的帖子，配圖是 DeepSeek 在 Hugging Face 的倉庫鏈接，接著引發(fā)不少關(guān)于 R2 發(fā)布時間和技術(shù)細(xì)節(jié)的各類傳播。但對此，DeepSeek 官方一直未作出回應(yīng)。

前不久，有外媒報道稱，DeepSeek R2 可能繼續(xù)推遲。遲遲未發(fā)布的內(nèi)部原因是 DeepSeek 創(chuàng)始人梁文鋒對該模型當(dāng)前的性能不滿意，工程師團(tuán)隊仍在優(yōu)化和打磨。與此同時，也有人這樣推測：R2 好歹要等 V4 出來再說，V3 可能已經(jīng)到達(dá)極限了。