界面新闻记者 |
界面新闻编辑 | 文姝琪
DeepSeek V3和R1两款模型带来的热度尚未平息，一篇新论文再次引来科技圈对其创新性的集体评估。
2月18日，DeepSeek的研究团队发布了一篇新的技术论文，《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》。在X（原推特）平台上，DeepSeek这条推文在24小时内的阅读量已达168万。
这是一种可用于超快长上下文训练和推理的稀疏注意力机制，并具有硬件对齐和本地可训练的特性。其中最核心的内容就是NSA（Native Sparse Attention），一种全新的注意力机制。
简单概括，凭借这套技术思路，大模型训练将不仅对硬件要求更低，并且训练效率更高，可能是一次相较MLA更高级别的创新。
稀疏注意力（Sparse Attention）是相对完全注意力（Full Attention）而言。在完全注意力机制的技术框架下，很多技术都是为了提高计算速度、减少运算成本，例如KV-Cache（键值缓存），但对于大模型训练而言仍然可能导致恐怖的运算量。
此前，DeepSeek-V2的重要创新MLA——Multi-Head Latent Attention，多头潜在注意力机制——就在保证模型性能的情况下，对KV-Cache进行了大幅优化。
其中一个很重要的思路是对KV矩阵进行了低秩分解，以低秩矩阵的形态来保存。可以理解为将这个矩阵从“多维”压缩至“一维”，这大大降低了对显存的占用。
但到此为止，这些注意力机制依然存在一些局限。Monica.im产品合伙人张涛对界面新闻记者解释称，过去的矩阵“压缩”技术是一种无差别压缩。也就是说，那些有更重要含义的信息，其重要性也被平均降低了。
NSA针对性化解了这个问题。它提出了一个“三合一”方案，对token序列大致分为了三条注意力处理路径：压缩（Compression）、选择性保留（Selection）和滑动窗口（Sliding Window）。
简单理解，Compression跟过去所做的事情类似，即“压缩”保留粗颗粒度的token模块。
在Selection阶段，该机制通过对已压缩模块引入qt（query token），得到这些模块与当前要计算token的相关程度，以Top N（例如Top 2）的方式选出相关性最高的N个模块，并对照原有的细颗粒程度token序列进行保留。
最后的Sliding Window是指一个滑动窗口，这个窗口仅获取局部最近的一段完整token序列。张涛解释称，这个窗口是一个固定宽度，在时间轴上进行滑动，但永远指向序列的最末尾处。“可以理解为当我要生成一句话时，离它最近的信息也可能提供额外的含义。”
也就是说，在这三条注意力处理路径下，我们既得到了完整token序列在压缩下的全局印象，也得到了经过筛选的最关键部分信息的细颗粒度token序列，以及离当前计算token最近的一段token序列。
“当三个特性结合到一起，整个过程就已经省了很多显存占用和运算量，并且把压缩损失掉的信息补充回来了。”张涛表示。
另外，NSA还引入了两项创新机制，分别是硬件对齐系统，可保证算术强度平衡，以及训练感知设计，可支持NSA进行高效部署和端到端训练。
至此，这套全新注意力机制将要验证自己的效果。在过去，很多注意力机制的调整可能导致模型表现下降，但NSA以稀疏注意力机制给模型“减负”的方式，不仅没有造成性能下降，反而相较完整注意力机制在一些基准测试上实现了超越表现，包括通用和推理等等
更关键的是，它在解码（Decode）速度上提升了11.6倍。张涛表示，这可以简单理解为，运用这套机制的R1其推理速度也可能提升同样倍数。
不过，MLA这一创新也可以优化解码速度。在张涛看来，NSA更有意义的效率提升是对于正向和反向阶段还将分别提速9倍和6倍。
其中，反向传播是指模型训练时，每完成一轮运行还要做一轮反向传播，如此模型才能够在这一轮迭代中学到“哪些做对了、哪些做错了，以及哪些参数需要调整”。
这意味着NSA不仅对GPU的显存要求降低，对卡间互联通讯能力要求降低，甚至对于模型的训练速度也加快了好几倍。
“这才是这次创新的关键。”张涛说，NSA有可能进一步解决了国产大模型在GPU芯片上被“卡脖子”的问题。
总体而言，张涛认为虽然这篇论文集中论述了技术思路，没有完整披露其中的工程细节，但对于其他大模型公司来说复现并不难。
还有一个当前没有被注意到的“彩蛋”。张涛指出，在这次论文中，DeepSeek运用到了一种叫做Triton的框架。这是由OpenAI开源的一套框架，属于GPU的中间层语言，它既可以转译为英伟达的CUDA（其GPU并行计算平台），AMD的ROCm（其开源计算平台），也可以转译为华为昇腾的CANN（其AI芯片计算框架）。
虽然目前ROCm和CANN在Triton上表现还不够好，但张涛认为这不是不能解决的。
“这不得不给大家留下一些想象空间。”张涛说，“这意味着从推理到训练的算力，未来都有可能国产化了。”
47847
26
47847
26
48158
46
18095
59
76276
17
65573
36
63128
4
86478
85
30367
78
63524
2
62738
4
31856
47
71272
50
83067
20
99712
97
54978
31
63720
90
94331
53
29063
54
68942
21
89181
94
23218
58
28745
52
81201
44
17391
69
29549
6
17480
70
89028
4
98746
88
79267
68
83517
81
27017
78
54410
77
62398
1
63428
58
63473
31
47199
19
84052
15
46245
22
19684
80
49
94874
50
36152
35
45060
29
74946
99
90160
42
41857
2
66369
8
47534
52
61701
41
52980
33
50061
60
68054
69
93840
53
92885
11