今天小编分享的互联网经验：中国大模型“卷技术”！DeepSeek前脚发布NSA，Kimi立刻跟进MoBA，欢迎阅读。
周二，当全球目光聚焦于马斯克 Grok-3 的庞大 GPU 集群时，中国大模型公司正在技术创新的道路上默默加速。
先是DeepSeek 提出了原生稀疏注意力（Native Sparse Attention, NSA）机制。这项梁文锋亲自参与的研究成果，结合了算法创新和硬體优化，旨在解决长上下文建模中的计算瓶颈。
NSA 不仅能将大语言模型处理 64k 长文本的速度最高提升 11.6 倍，更在通用基准测试中实现了对传统全注意力模型的性能反超。这一突破表明，通过算法和硬體层面的协同创新，可以在不牺牲模型性能的前提下，显著提升长文本处理效率。
紧随 DeepSeek 的步伐，Kimi 也迅速推出了自家的稀疏注意力技术—— MoBA（Mixture of Block Attention）。
据这份由月之暗面、清华大学和浙江大学的研究人员共同发布的技术报告《MOBA: MIXTURE OF BLOCK ATTENTION FOR LONG-CONTEXT LLMS》，MoBA 的设计理念是将全上下文划分为多个块，每个查询令牌（query token）学习关注最相关的键值（KV）块，从而实现对长序列的高效处理。
与 DeepSeek 创始人梁文锋参与著作一样，月之暗面创始人杨植麟的名字也出现这篇论文的作者栏里。
据论文介绍，在各种长文本处理任务中，采用 MoBA 技术的模型可以在保持相近性能的同时，将注意力计算的时间和内存消耗显著降低。在 1M token 的测试中，MoBA 比全注意力快了 6.5 倍，在处理超长文本（如 1000 万 token）时，MoBA 的优势更加明显，可以实现 16 倍以上的加速。
MoBA 已经部署于支持 Kimi 的长上下文请求处理，并在大语言模型的高效注意力计算方面取得了显著进展。更值得一提的是，MoBA 可以轻松地集成到现有的 LLMs 中，而无需进行大量的训练。
MoBA：基于块的稀疏注意力
为了实现人工通用智能（AGI），LLMs 需要能够处理长文本序列，这对于历史数据分析、复杂推理和决策等任务至关重要。
而传统的自注意力机制计算复杂度呈二次增长，限制了 LLMs 处理长文本的能力。现有的解决方案要么引入了强偏见的结构（如滑动視窗注意力），要么对注意力机制进行了线性近似，这些方法在复杂推理任务中的表现尚未得到充分验证。
MOBA 技术的核心思想是将传统 Transformer 模型中的全局注意力机制改造为基于块的稀疏注意力。具体来说，MOBA 将输入序列划分为多个块，然后对每个查询 token 动态选择最相关的几个块进行注意力计算，而不是像传统方法那样对所有 token 都进行计算。
这种方法既保留了原始 Transformer 的强大表达能力，又显著降低了计算复杂度，特别适合处理超长文本输入。
MoBA 的核心创新点包括：
可训练的块稀疏注意力： 全上下文被划分为多个块，每个查询令牌学习关注最相关的 KV 块，实现长序列的高效处理。
无参数门控机制： 引入了一种新颖的无参数 top-k 门控机制，为每个查询令牌选择最相关的块，确保模型只关注信息量最大的部分。
全注意力和稀疏注意力之间的无缝切换： MoBA 被设计为全注意力的灵活替代品，允许在全注意力和稀疏注意力模式之间无缝切换。
在处理超长文本时，MoBA 可以实现 16 倍以上的加速
在各种长文本处理任务中，采用 MoBA 技术的模型可以在保持相近性能的同时，将注意力计算的时间和内存消耗显著降低。在 1M token 的测试中，MoBA 比全注意力快了 6.5 倍，在处理超长文本（如 1000 万 token）时，MoBA 的优势更加明显，可以实现 16 倍以上的加速。
Kimi 团队在多个方面对 MoBA 进行了实验验证：
缩放定律实验（Scaling Law Experiments）： 实验表明，尽管 MoBA 的注意力模式稀疏度高达 81.25%，但其在语言模型损失方面的表现与全注意力相当。
长文本缩放能力（Long Context Scalability）： 通过增加序列长度到 32K，MoBA 的稀疏度进一步提高到 95.31%。实验表明，MoBA 在处理长文本时，其性能与全注意力之间的差距逐渐缩小。
细粒度块分割消融研究（Ablation Study on Fine-Grained Block Segmentation）： 实验表明，更细粒度的块分割可以进一步提高 MoBA 的性能。
MoBA 与全注意力的混合训练（Hybrid of MoBA and Full Attention）： 实验表明，通过混合使用 MoBA 和全注意力进行训练，可以在训练效率和模型性能之间取得平衡。
大型语言模型评估（Large Language Modeling Evaluation）： 在多个真实世界的下游任务中，MoBA 的表现与全注意力模型相当，甚至在某些任务上略有优势。
效率和可扩展性（Efficiency and Scalability）： 实验表明，MoBA 在处理长序列时比全注意力更高效，计算复杂度为亚平方级。在 1M token 的测试中，MoBA 比全注意力快了 6.5 倍，在处理 1000 万 token 的序列时，MoBA 的注意力计算时间减少了 16 倍。
