RecSA用递归稀疏注意力实现百万级长度外推
热点事件持续更新
RecSA用递归稀疏注意力实现百万级长度外推
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Ruitian Wang等作者提出递归稀疏注意力方法RecSA：在KV cache上构建树结构，每个节点用一个key和一个均值池化value概括其子树，使每个查询的选择成本降至O(log L)。 该方法从Qwen3-4B初始化，在原模型32K训练长度下用0.62B token训练。作者称，在单张H200 GPU上处理524K长度时，RecSA将prefill加速3.2倍、解码加速3.8倍。
AI 根据报道生成 · 2 小时前更新
最新进展11月6日 13:00
RecSA：以对数级成本实现百万 token 长度外推的递归稀疏注意力报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv cs.CLRecSA：以对数级成本实现百万 token 长度外推的递归稀疏注意力
研究者提出 RecSA（Recursive Sparse Attention），在 KV cache 上构建树结构，每个节点用一个 key 和一个均值池化 value 概括其子树，使每个查询的选择成本降至 O(log L)。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。