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。 。。。 。
