让大模子 "读得更长" 一直是 Agent、深度推理和海量资料整合等场景的刚需，，， ，，，但标准全注重力机制的盘算量随序列长度呈平方级增添，，， ，，，始终是横亘在长上下文建模眼前的三座大山 。。。
本周，，， ，，，腾讯混元团队正式开源 HiLS-Attention（分层地标希罕注重力），，， ，，，提出了一种全新的分块希罕注重力范式，，， ，，，首次在数学层面上同时解决了 chunk 主要性预计的 "表达力缺乏" 和选择历程的 "端到端不可导" 两大基础难题，，， ，，，真正将希罕注重力做到了 "Done Right" 。。。
在 345M 至 7B 参数规模上的系统验证显示：HiLS-Attention 在随笔本场景下语言建模疑心度（PPL）与全注重力险些重合，，， ，，，在 8K 训练条件下可实现 4M 上下文（512 倍）免训外推，，， ，，，512K 上下文下的 prefill 与单步 decode 划分加速 13.5 倍和 15.7 倍 。。。
更主要的是，，， ，，，该要领在部分长上下文检索使命上反超了全注重力自己 —— 效率与效果的 "二选一" 逆境被首次同时突破 。。。相关论文与代码已在 GitHub 上果真 。。。
论文问题：Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling论文链接：https://arxiv.org/pdf/2607.02980代码链接：https://github.com/Tencent-Hunyuan/HiLS-Attention
一、长上下文的老浩劫：
全注重力扛不动，，， ，，，希罕注重力又 "禁绝"
让大模子读得更长，，， ，，，险些是今天所有 Agent、深度推理、海量资料整合使命的刚需 。。。
但 "读得长" 对标准的全注重力（Full Attention）来说，，， ，，，一直是三座大山：
盘算量是平方级的：序列翻倍，，， ，，，算力翻四倍；； ；；；长度外推差：训练 8K，，， ，，，测试 32K 就最先崩；； ；；；KV Cache 随长度线性膨胀，，， ，，，显存很快吃不必 。。。
于是各人把眼光投向分块希罕注重力（Chunk-wise Sparse Attention）：把上下文切成一个个 chunk，，， ，，，每个 query 只挑最相关的 Top-K 个 chunk去算注重力，，， ，，，多余的 kv cache 卸载到 cpu memory, 盘算和显存开销都被控制在常数，，， ，，，看起来思绪很是优美 。。。
但现实是：迄今为止，，， ，，，没有任何一种分块希罕注重力能真正追平全注重力 。。。
图：最直接的证据 —— 即便让 345M 模子在 RULER 使命上训练，，， ，，，现有分块希罕注重力依然打不满全注重力 。。。
问题的根子在哪？？？？？？——chunk 选禁绝 。。。
二、现有要领为什么会 "选错 chunk"？？？？？？
mean /max logits 的先天缺陷
要选对 chunk，，， ，，，条件是能准确预计每个 chunk 的 "主要性" 。。。
图：从最质朴的 block sparse attention 出发 —— 一个 chunk 的主要性，，， ，，，就是它内部所有 token 注重力质量的总和
基于上图，，， ，，，形式上有:
按 Zc 从大到小取 Top-K，，， ，，，选出来的就是和全注重力完全一致的准确排序 。。。问题在于：想准确算出 Zc，，， ，，，就得把 query 和 chunk 里每一个 token 都点积一遍 —— 这即是又把全注重力算了一遍，，， ，，，希罕的意义荡然无存 。。。
现有要领是怎么造的？？？？？？最主流的是均值池化（mean pooling）：直接把 chunk 内所有 key 求平均当摘要 key 。。。稍作推导就会发明，，， ，，，它算出来的分数着实就是 token logit 的均值
NSA、InfLLM v2、MoBA 等都属此类；； ；；；另一类要领（如 MiniMax 希罕注重力）则改用max logits来近似 。。。
也就是说：
mean logits 只在 "chunk 内注重力匀称漫衍" 时才准；； ；；；max logits 只在 "单个 token 独吞注重力" 时才准 。。。
可真实场景里，，， ，，，logit 漫衍随 query随 head随数据强烈转变，，， ，，，基础不会乖乖落在某一种极端 。。。效果就是：无论用 mean 照旧 max，，， ，，，都是在用一个只在极端情形才建设的署理去硬凑 LogSumExp，，， ，，，从而系统性地错估 chunk 主要性，，， ，，，打乱 chunk 排序，，， ，，，让真正要害的 chunk 落选
这一点在实验里看得很清晰：在最简朴的单针大海捞针使命上，，， ，，，用均值池化的 NSA / DashAttention / InfLLM v2 在 8K 域内就已经显着掉点—— 由于大海捞针恰恰是 "少数针 token 独吞注重力" 的高度集中漫衍，，， ，，，而均值池化会把这种尖峰稀释掉
三、想用 "参数化 summary" 救 。。？？？？？？
先过端到端反传这一关
既然非参数化的 mean/max 表达力不敷，，， ，，，那很自然的想法是：给每个 chunk 学一个参数化的 summary，，， ，，，让它更有表达力地概括整块内容 。。。
听起来对，，， ，，，但这里藏着一个被险些所有现有要领忽略的致命断点
现有要领即便用了参数化 summary，，， ，，，也只拿它来打分选 Top-K 。。。一旦 Top-K 的 chunk ID 被 "硬选" 出来，，， ，，，summary 和打分就被扬弃了，，， ，，，不再加入后续的注重力盘算 。。。
这意味着什么？？？？？？
意味着语言建模（LM）loss 的梯度，，， ，，，基础传不到 summary 和选择分数上 。。。
Top-K 选择是一个离散不可导的操作 。。。打分→排序→选 ID，，， ，，，这条链路梯度无法反传到 summary，，， ，，，LM loss 无法告诉 summary："你这次把主要的 chunk 排低了，，， ，，，下次该调高一点 。。。"
于是 summary 的学习酿成了 "盲训"—— 它学不会去抑制无关 chunk、抬高对展望真正有用的 chunk 。。。选择历程没有被端到端优化，，， ，，，再有表达力的 summary 也无济于事 。。。
这就引出了两个 research question：
RQ1. 数学表达能力足够的 chunk 主要性预计.
RQ2. chunk summary 必需能随着 LM loss 端到端训练.
把这两点同时做到，，， ，，，才算把希罕注重力"做对"
四、思绪：HiLS-Attention ——
把 chunk 选择酿成可微分的 "分层 softmax"
腾讯混元提出HiLS-Attention（Hierarchical Landmark Sparse Attention，，， ，，，分层地标希罕注重力） 。。。它的焦点，，， ，，，是把上面两个诉求拆成两个问题逐一攻破 。。。
RQ1：用 "一阶泰勒睁开" 结构表征能力足够的 chunk 算分函数
一个直觉的想法是对 LogSumExp 举行一阶泰勒睁开，，， ，，，视察数学性子 。。。研究团队发明，，， ，，，chunk 的对数主要性可以被近似成一个很是优雅的形式：
它由两部分组成：
RQ2：怎样让 chunk summary 随着 LM loss 端到端训练？？？？？？
光有好 summary 还不敷 —— 要解决谁人致命断点：让梯度真正流到 summary 上 。。。
HiLS 的做法是把注重力权重分层因式剖析成两级 softmax：
图：先按 summary 算每个 chunk 应该分摊几多饼，，， ，，，再由 chunk 内 token 继续分饼
chunk 内（intra-chunk）softmax：在每个被选中的 chunk 内部，，， ，，，决议 token 之间的相对权重；； ；；；
断点被买通了 。。。chunk 选择第一次成为了在 LM 目的下端到端可学习的历程，，， ，，，并且训练和推理全程都是真希罕（native sparse training） 。。。
一个反直觉的彩蛋：它不但是 "模拟" 全注重力，，， ，，，还更准
研究团队最初是想让 HiLS 去迫近 "全注重力诱导的 chunk 选择"（即质朴 BSA） 。。。但实验给了惊喜：
HiLS 不但追平了质朴 BSA，，， ，，，还在长上下文检索上反超了全注重力自己 。。。
原因可能在于压缩自己能去噪 。。。全注重力有个固有毛 。。。褐灰桓 token 的 logit 不是负无限，，， ，，，它就会分到一点点注重力质量 。。。上下文越长，，， ，，，这些无关 token 的细小噪声越积越多，，， ，，，反而污染了检索信号 。。。而 HiLS 把多个 key 压缩成一个 summary key 时，，， ，，，差池齐的噪声相互抵消共享的语义信号被保存，，， ，，，于是检索反而更清洁 —— 这正是它在变量追踪（VT）这类多跳使命上能比全注重力横跨多达 50% 的泉源 。。。
五、实验：从 345M 到 7B，，， ，，，周全验证
345M → 1.4B → 7B三个标准上做了系统验证，，， ，，，结论高度一致：
随笔本不掉点：345M 与 1.4B 从零训练时，，， ，，，HiLS 在各上下文长度、各训练阶段的 PPL 与全注重力险些重合，，， ，，，8K 处持平甚至略低；； ；；；超长外推炸裂：仅用 8K 训练，，， ，，，外推到 4M（512 倍）仍坚持 90%+ 大海捞针准确率，，， ，，，远超全注重力；； ；；；低本钱刷新存量模子：把 OLMo3-7B 这类全注重力模子转成 HiLS，，， ，，，只要续训 50B token 即可实现切换 。。。短程使命不掉点，，， ，，，长序列使命 LongBench 在 in-domain 长度甚至能逾越全注重力基线，，， ，，，无缝继续 HiLS 的外推能力，，， ，，，在 out-of-domain length 显著碾压 YaRN 等种种 baseline；； ；；；推理还更快：512K 上下文下，，， ，，，prefill 快 13.5×、单步 decode 快 15.7× 。。。
希罕注重力恒久以来的 "效率 — 性能" 二选一逆境，，， ，，，被第一次同时突破了 。。。
六、写在最后
转头看这条逻辑链着实很清晰：
1. 希罕注重力的瓶颈是chunk 选错
2. 选错的泉源是mean /max logits 系统性失准
3. 想用参数化 summary 调解，，， ，，，又卡在端到端反传断点上
4.HiLS 用泰勒线性化（提出足够表达力的估分函数）+ 分层 softmax（把署理分数送进前向），，， ，，，一举解决了表达力和可微分两个问题 。。。
HiLS 证实晰：希罕注重力可以同时提升效率和效果 。。。效果提升的泉源或许源自压缩导致去噪，，， ，，，带来更纯净的检索表征 。。。
这，，， ，，，才是把分层希罕注重力 "Done Right" 的样子 。。。
