DeepSeek V3和R1两款模型带来的热度尚未平息，一篇新论文再次引来科技圈对其创新性的集体评估。

2月18日，DeepSeek的研究团队发布了一篇新的技术论文，《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》。在X平台上，DeepSeek这条推文在24小时内的阅读量已达168万。

这是一种可用于超快长上下文训练和推理的稀疏注意力机制，并具有硬件对齐和本地可训练的特性。其中最核心的内容就是NSA，一种全新的注意力机制。

简单概括，凭借这套技术思路，大模型训练将不仅对硬件要求更低，并且训练效率更高，可能是一次相较MLA更高级别的创新。

稀疏注意力是相对完全注意力而言。在完全注意力机制的技术框架下，很多技术都是为了提高计算速度、减少运算成本，例如KV-Cache，但对于大模型训练而言仍然可能导致恐怖的运算量。

此前，DeepSeek-V2的重要创新MLA——Multi-Head Latent Attention，多头潜在注意力机制——就在保证模型性能的情况下，对KV-Cache进行了大幅优化。 

其中一个很重要的思路是对KV矩阵进行了低秩分解，以低秩矩阵的形态来保存。可以理解为将这个矩阵从“多维”压缩至“一维”，这大大降低了对显存的占用。

但到此为止，这些注意力机制依然存在一些局限。Monica.im产品合伙人张涛对界面新闻记者解释称，过去的矩阵“压缩”技术是一种无差别压缩。也就是说，那些有更重要含义的信息，其重要性也被平均降低了。 

NSA针对性化解了这个问题。它提出了一个“三合一”方案，对token序列大致分为了三条注意力处理路径：压缩、选择性保留和滑动窗口。

简单理解，Compression跟过去所做的事情类似，即“压缩”保留粗颗粒度的token模块。 

在Selection阶段，该机制通过对已压缩模块引入qt，得到这些模块与当前要计算token的相关程度，以Top N的方式选出相关性最高的N个模块，并对照原有的细颗粒程度token序列进行保留。

最后的Sliding Window是指一个滑动窗口，这个窗口仅获取局部最近的一段完整token序列。张涛解释称，这个窗口是一个固定宽度，在时间轴上进行滑动，但永远指向序列的最末尾处。“可以理解为当我要生成一句话时，离它最近的信息也可能提供额外的含义。” 

也就是说，在这三条注意力处理路径下，我们既得到了完整token序列在压缩下的全局印象，也得到了经过筛选的最关键部分信息的细颗粒度token序列，以及离当前计算token最近的一段token序列。

“当三个特性结合到一起，整个过程就已经省了很多显存占用和运算量，并且把压缩损失掉的信息补充回来了。”张涛表示。 

另外，NSA还引入了两项创新机制，分别是硬件对齐系统，可保证算术强度平衡，以及训练感知设计，可支持NSA进行高效部署和端到端训练。

至此，这套全新注意力机制将要验证自己的效果。在过去，很多注意力机制的调整可能导致模型表现下降，但NSA以稀疏注意力机制给模型“减负”的方式，不仅没有造成性能下降，反而相较完整注意力机制在一些基准测试上实现了超越表现，包括通用和推理等等 

更关键的是，它在解码速度上提升了11.6倍。张涛表示，这可以简单理解为，运用这套机制的R1其推理速度也可能提升同样倍数。

不过，MLA这一创新也可以优化解码速度。在张涛看来，NSA更有意义的效率提升是对于正向和反向阶段还将分别提速9倍和6倍。

其中，反向传播是指模型训练时，每完成一轮运行还要做一轮反向传播，如此模型才能够在这一轮迭代中学到“哪些做对了、哪些做错了，以及哪些参数需要调整”。 

这意味着NSA不仅对GPU的显存要求降低，对卡间互联通讯能力要求降低，甚至对于模型的训练速度也加快了好几倍。

“这才是这次创新的关键。”张涛说，NSA有可能进一步解决了国产大模型在GPU芯片上被“卡脖子”的问题。 

总体而言，张涛认为虽然这篇论文集中论述了技术思路，没有完整披露其中的工程细节，但对于其他大模型公司来说复现并不难。 

还有一个当前没有被注意到的“彩蛋”。张涛指出，在这次论文中，DeepSeek运用到了一种叫做Triton的框架。这是由OpenAI开源的一套框架，属于GPU的中间层语言，它既可以转译为英伟达的CUDA，AMD的ROCm，也可以转译为华为昇腾的CANN。 

虽然目前ROCm和CANN在Triton上表现还不够好，但张涛认为这不是不能解决的。 

“这不得不给大家留下一些想象空间。”张涛说，“这意味着从推理到训练的算力，未来都有可能国产化了。”