NSA：DeepSeek团队推出的加速超长上下文的训练和推理技术

DeepSeek团队在2025年2月18日推出了一种创新的注意力机制，名为NSA（Native Sparse Attention）。NSA致力于解决长文本处理过程中遇到的计算效率和性能障碍，这个技术通过硬件一致的设计以及原生训练支持，可以大幅提高推理速度并降低预训练成本。

NSA的主要特性：

硬件友好：设计时考虑了与各类硬件架构的兼容性，旨在提高训练效率。

本地训练能力：支持在数据上直接训练，增强了模型的适应性和灵活性。

高效推理与训练：加速长上下文处理，助力复杂模型的应用，有效应对更长的序列数据，例如文本和视频。

动态层级稀疏策略：利用细粒度标记选择和粗粒度标记压缩技术，在保留信息的同时降低计算复杂性。

成本降低：通过优化设计，显著减少了训练深度学习模型时的资源消耗，包括时间和计算成本，对研究人员和开发者颇具价值。

NSA的核心构成：

动态分层稀疏策略：融合粗粒度Token压缩和细粒度Token选择，提高效率的同时，确保模型对全局上下文和局部细节的感知。

硬件对齐设计：优化内存访问，适配GPU张量核心，分块加载数据，降低冗余传输，增进并行效率。

端到端可训练：支持从预训练到推理的稀疏计算全流程，保持反向传播的稳定性，避免传统稀疏方法的“训练掉队”问题。

NSA的技术细节：

动态分层稀疏策略：灵活地确定关键信息和可忽略信息，优化信息处理，确保模型在处理长上下文时捕捉关键全局语义，同时减轻计算负担。

粗粒度Token压缩：通过整合相似或不重要的Token，减少数据处理量，加速计算，同时保持对文本粗粒度语义的理解。

细粒度Token选择：在压缩数据中进一步筛选重要Token，确保模型关注细节，维持局部精确性，防止重要信息丢失。

滑动窗口：利用滑动窗口机制捕获局部上下文信息，避免忽略近邻关系。

NSA的性能成果：

速度提升：处理64k长度序列时，NSA在解码、前向传播和反向传播等阶段实现显著速度提升，最高达11.6倍。

性能优越：在多个基准测试中，NSA表现与全注意力模型相当甚至更优，尤其在长上下文任务和指令推理方面。

NSA的应用领域：

智能助手：实现更复杂的多轮对话和个性化服务。

科学计算：如物理模拟、工程建模中的长序列数据处理。

代码生成与调试：理解长代码库并生成高质量解决方案。

NSA的论文：https://arxiv.org/abs/2502.11089

DeepSeek是一家专注于通用人工智能的中国企业，致力于发掘AGI核心技术并实现产品化。DeepSeek已推出多款高性能开源ai大模型，如支持128k上下文长文本理解的DeepSeek-V2，以及在MT-Bench中文评测中表现优异的DeepSeek-R1-Lite-Preview。