我有点好奇一个问题，
让现阶段一个百万上下文的大模型读一本百万字的小说，需要推理吗？
可能大部分时候不需要，它需要的只是记住，记住第一章的主角在最后一章说了什么。
现在传统的Transformer架构只有一种处理方式，全靠硬算。它像一个过于认真的前排学霸，为了记住最后一章的内容，把前面九十九万字的内容跟每一个新生成的字都做一次对比计算。
这样会占大量的显存，计算量也会平方级增长。
这一周新的大模型也是不停刷新，MiniMax M2.5，GLM5，Gemini 3.1 Pro Preview，DeepSeek新版本（疑似V4），我都希望他们可以接入我的OpenClaw里面，做一个长对话长记忆的模型。
昨天，面壁还发了一篇新论文，提出了一个叫SALA（Sparse Attention-Linear Attention）的混合注意力架构。它给出了一个新观点，
该快的地方就得快，该准的地方必须准。
https://github.com/OpenBMB/MiniCPM/blob/main/docs/MiniCPM_SALA.pdf
在他们的SALA架构里，
一部分模块专门负责快，
另一部分模块专门负责准。
结果就是，基于SALA架构的模型，在端侧显卡上，第一次把百万的长文本推理，稳稳跑通了。
我们来看一个具体的例子，
模型在处理百万字小说时，内部发生了什么。
每生成一个新词，模型都要把它和前面所有词语的键值对，也就是KV Cache，全部计算一遍。计算复杂度是随着文本长度平方级增长的，
同时，这个KV Cache会像滚雪球一样，迅速吃掉你所有的显存。把上下文从一万字拉到一百万字，计算量不是涨一百倍，是飙升一万倍。
这就是为什么传统架构在长上下文任务面前，会同时撞上计算墙和显存墙。
这几十万字的上下文，大部分可能只是背景描述，真正关键的信息也许就那么几句。
但模型为了找到这几句关键信息，付出的代价是把所有内容都用最高精度过了一遍。
来看看SALA的几个关键的设计，
首先是两种模块的分工。
线性注意力，我们这里可以理解为负责准的模块，面壁选用的是Lightning Attention，挑出那些最关键的局部信息进行精细计算。稀疏注意力，则是负责快的模块，面壁选用的是InfLLM v2，会高效计算所有信息。
SALA就是把这两者结合了起来。整个模型里，75%的层是负责准的线性注意力，剩下的25%，是负责快的稀疏注意力。这个比例经过大量实验找出的效率与精度之间的平衡点。
在不使用任何额外技术（如YaRN）的前提下，MiniCPM-SALA 可以将上下文长度拓展至2048K。
怎么保证它们能好好合作，不是互相干扰呢？
SALA用了一个叫HyPE的混合位置编码策略。在线性层，它保留了RoPE，保证短文本能力不受影响。在稀疏层，它去掉了位置编码，避免了信息在长距离传递时的衰减问题。
模型在检索几万甚至几十万token之前的内容时，依然能保持高精度。
最后是模型怎么来的。
这里有一个核心问题，要训练一个全新的混合架构模型，成本超级高。
面壁没有从零开始，反而是提出了一个叫HALO的训练范式。简单来说，就是拿一个已经训练好的全注意力模型，比如MiniCPM-4.0，通过架构转换，把它的一部分层变成线性注意力，另一部分变成稀疏注意力，然后进行持续训练。
这种方式，就像是给一辆性能不错的汽车做改装升级，而不是重新设计一辆新车。它继承了原模型已经学到的所有知识和能力，只是让它学会了用一种更高效的方式去工作。相比从头训练，这个方法的成本直接降低了大约75%。
这个训练过程也很有讲究，分为架构转换，稳定训练，短衰减，长衰减和微调五个阶段。特别是在长衰减阶段，模型逐步把上下文长度从4K扩展到520K，让模型充分学习两种注意力机制协同。
我们来看效果数据。
这次面壁并没有用一堆榜单来证明自己，是出了真实场景下的性能数据，对比的是同等规模的全注意力模型Qwen3-8B，我挑几个关键数据，
在推理速度上，当上下文长度达到256K时，MiniCPM-SALA的速度是Qwen3-8B的3.5倍。
这个提升完全来自架构本身的优势。
在显存占用上，在RTX 5090这样的消费级显卡上，Qwen3-8B在上下文长度达到128K时，就会因为显存不足而崩溃。而MiniCPM-SALA可以稳稳地跑到1M，也就是一百万token的长度。
但我是个挑剔的人，
用了会丢信息的注意力，模型是不是没脑子了？
这也是这篇工作最有价值的部分。实验数据显示，MiniCPM-SALA在数学，代码，知识问答这些常规能力上，和同规模的全注意力模型基本持平，没有出现明显的性能折损。
传统的全注意力模型，在处理长文本时，它的注意力容量被大量消耗在维持局部依赖上，比如识别一个多词组成的人名。而SALA架构，把这些任务交给了更高效的模块，从而释放了稀疏注意力层的容量，让它们可以更专注于建立全局的，跨越超长距离的上下文联系。
为了推动这个架构落地，面壁联合了SGLang和NVIDIA，发起了一个稀疏算子加速大奖赛SOAR。
SALA虽然在架构上做好了，
但底层的计算算子，相比已经被优化到极致的FlashAttention，还有很大提升空间。
这个比赛就是邀请全球的开发者，一起来把SALA这台新引擎的性能，压榨到极限。
平时测评模型测多了，
都是Coding，Coding，Coding，
我很高兴看到还不断能有新的架构，
新的算法出现，
就算是DeepSeek这一年，
更新模型的同时也没停过公开自己的算法，
面壁过去这一年也是不停发端侧模型的工作，
我觉得就这速度都不需要五年十年，
可能过个两三年，
在小天才手表上也能跑个大大大模型。
@ 作者 / 卡尔
最后，感谢你看到这里如果喜欢这篇文章，不妨顺手给我们点赞｜在看｜转发｜评论
如果想要第一时间收到推送，不妨给我个星标
如果你有更有趣的玩法，欢迎在评论区和我聊聊
更多的内容正在不断填坑中……
热门跟贴