機器之心發(fā)布

為什么大模型廠商給了 128K 的上下文窗口，卻在計費上讓長文本顯著更貴？

為什么 Claude 能 “吞下整本書”，但官方示例往往只展示幾千字的文檔？

為什么所有大模型廠商都在卷 “更長上下文”，而真正做落地的產(chǎn)品經(jīng)理卻天天琢磨 “怎么把用戶輸入變短”？

這些看似矛盾的現(xiàn)象，其實答案藏在一個長期被技術光環(huán)遮掩的真相里：

長序列，正在成為大模型應用里最昂貴的奢侈品

在當前主流的 Full Attention 機制下，計算開銷會隨著輸入長度平方增長，序列一長，處理就變得 “又貴又慢”（見圖 1）。針對這一核心難題，阿里 RTP-LLM 團隊提出了一種全新的后訓練壓縮方案：RTPurbo。在不損失模型效果的前提下，實現(xiàn)了 Attention 計算5 倍壓縮（見圖 2）。

左圖 1：長序列 Attention 計算成本瓶頸；右圖 2：RTPurbo 極大降低 Attention 計算開銷

總的來說， RTPurbo 采用了一種非侵入式的壓縮方法：通過分辨 LLM 內部的長程 Attention Head，僅保留關鍵 Head 的全局信息，對于剩下冗余的 Head 直接丟棄遠程 Tokens。這種 Headwise 級別的混合算法以其簡潔的方案設計和優(yōu)越的算子兼容性，極大地降低了大模型在長序列下的推理代價，為新一代 LLM 結構設計提供了一個新的視角和演進方向。

目前，項目模型與推理代碼已經(jīng)發(fā)布至 Huggingface、ModelScope 平臺，感興趣的讀者可以閱讀 RTP-LLM 相應的技術 blog 了解更多細節(jié)。

1. https://huggingface.co/RTP-LLM/Qwen3-Coder-30B-A3B-Instruct-RTPurbo
2. https://modelscope.cn/models/RTP-LLM/Qwen3-Coder-30B-A3B-Instruct-RTPurbo

圖 3：RTPurbo 采用混合壓縮方案，僅有少數(shù) Attention Head 使用全量 Attention）

化繁為簡，被低估的 SWA

但在真實落地中，這兩條路線都有較明顯的共性代價：一方面，它們通常強依賴大量后訓練，工程實現(xiàn)與適配成本也更高；另一方面，Linear Attention 在壓縮信息后，長序列下的召回能力顯著弱于 Full Attention [1]，因此往往需要與 Full Attention 混合使用，帶來性能與加速收益的雙重上限。此外，Linear / Sparse Attention 的算子與調度設計相對復雜，也進一步影響其在工程生態(tài)中的通用性、可維護性與一致性。也正因如此，一些前期工作 [2] 反而把目光投向看似 “簡單粗暴” 的 Sliding Window Attention（SWA），例如 gpt-oss 和 MiMo ，這在一定程度上說明 SWA 并非 “權宜之計”，而是一種可規(guī)模化復用的工程選擇。

在進一步分析現(xiàn)有 LLM 的注意力模式后，團隊觀察到一個更細粒度的關鍵現(xiàn)象：絕大多數(shù) Attention Head 天然更偏好局部信息，只有極少數(shù) “長程頭” 能在長文本中穩(wěn)定地定位并召回關鍵關聯(lián)信息。基于這一現(xiàn)象，團隊提出了一個關鍵假設：

類似人類的閱讀與寫作過程，LLM 在處理長文本時，往往會先從長上下文中 “召回” 相關信息，再在相對局部的上下文范圍內完成推理并輸出答案

換句話說，模型內部可能只有少量 Attention Head 真正在承擔 “信息召回” 的職責：它們通過注意力機制把遠距離信息搬運到當前的 Residual Stream（信息通道）中，讓后續(xù)層可以在更局部、更高信噪比的狀態(tài)下完成推理。這也直接意味著：對于那些并不承擔長程依賴的 Attention Head，其實并不需要使用 Full Attention—— 長序列場景存在可觀的壓縮空間。

為了驗證這一假設，團隊設計了一個直觀的對比試驗：

1. 方案一：只有 15% 的長程頭使用 Full Attention，剩余 85% 使用 SWA；
2. 方案二：15% 的長程頭使用 SWA，剩余 85% 使用 Full Attention。

如表 1 所示，盡管方案二保留了 85% 的 KV cache，但是其長文能力仍然顯著劣于方案一。

表 1：方案一只用 15% 的 Full Attention，長文效果顯著優(yōu)于方案二

進一步地，在不做任何微調的情況下，方案一在長文本指標上也非常有競爭力（表 2），幾乎無損：

表 2：方案一不經(jīng)過訓練，在 Ruler 上無損

不過，在某些特定的長文任務上，未經(jīng)微調的壓縮模型仍會出現(xiàn)明顯的性能退化（見表 3）。其根源在于：壓縮前后注意力模式的直接切換會對模型輸出造成一定擾動，需要額外訓練來 “消化” 這種變化。

表 3：方案一在特殊 benchmark 上仍然存在顯著負向

因此，為實現(xiàn)更接近 “無損” 的壓縮，團隊進一步提出了一個面向 RL 后模型的壓縮訓練范式：在不依賴高質量標注數(shù)據(jù)的前提下，僅通過輕量級微調，就能顯著提升壓縮后模型在長文任務上的表現(xiàn)。

自蒸餾，從根本上解決數(shù)據(jù)問題

當前主流 LLM 通常采用 “預訓練 + 后訓練 + RL” 的訓練范式，如果直接使用長文 SFT / 預訓練語料進行續(xù)訓，會帶來兩方面挑戰(zhàn)：

1. RL 后模型在經(jīng)過 SFT 會出現(xiàn)過擬合甚至災難性遺忘，損傷短文本任務上的原有能力（見表 4）；
2. 高質量的長文本語料難以獲取。

表 4：Qwen3-30B-A3B-Instruct RL 后模型繼續(xù) SFT 會過擬合，造成災難性遺忘

為解決這兩點，RTPurbo 使用 “模型自蒸餾” 作為關鍵訓練策略：讓壓縮后的模型對齊原模型輸出，從而同時化解數(shù)據(jù)與能力保留問題：

1. 僅對模型自身的輸出進行對齊，避免依賴特定領域的問答數(shù)據(jù)，從而確保短文本下游指標基本無損；
2. 只需使用長文本預訓練語料即可完成訓練，使模型快速適應 headwise 稀疏的工作模式。

實測中，僅使用約 1 萬條 32k 長度的預訓練語料（訓練時間小時級），RTPurbo 就能讓長文任務表現(xiàn)與原模型持平。

結果對比

在長文本測試場景下，RTPurbo 僅保留約 15% 的 Attention Heads 使用 Full KV cache，壓縮后的 Qwen-Coder-Plus、Qwen3-30B-A3B-Instruct 在多項長文指標上可與未壓縮模型齊平，充分驗證了壓縮后模型的精度保障。

更重要的是，這種壓縮并非以犧牲通用能力為代價。在多項短文本（通用）Benchmark 上，采用自蒸餾范式訓練后的模型并未出現(xiàn)性能衰減，原有對話、推理和代碼理解等能力都得到了良好保留。

這表明，RTPurbo 不僅是一種單一模型的 “特定優(yōu)化技巧”，而是一套具有良好可遷移性和通用性的長序列加速方案，可為更大規(guī)模、更多架構的 LLM 提供高性價比的推理加速路徑。

從大模型可解釋性到 LLM 壓縮

早期可解釋性工作 [3] 已指出：模型內部存在很強的 “召回” 機制，一部分特定 Attention Head 能穩(wěn)定定位前文相關信息。團隊成員的前期工作 [2] 也觀察到這些 Head 在長文場景仍保持類似行為。

與此同時，在 [4] 中，作者指出 Softmax 本身在長序列存在熵增的問題。更具體的，隨著序列變長，每個 Token 的注意力不可避免的變得更加彌散（信噪比降低），如下圖所示：

圖 4：Attention 在長序列下存在信噪比下降的問題

因此，為了避免遠程信息干擾模型本身的推理能力，LLM 內部實現(xiàn)了一種非常巧妙的機制：

• 多數(shù) Head 只處理局部信息，以獲得更高信噪比；
• 少數(shù) Head 負責從遠處 “召回” 關鍵信息并搬運到當前位置，使后續(xù)層能在局部范圍內完成推理。

這與 RTPurbo 的 headwise 設計高度一致：把 “全局召回” 能力集中保留給少量關鍵 Head，其余 Head 則用工程收益更穩(wěn)定的 SWA 來承載。

RTP-LLM：RTPurbo 在長文上的極致性能優(yōu)化

圖 5：RTPurbo HeadWise Attention 性能加速結果，圖上結果僅使用 15% 的 Full Attention

RTPurbo 按固定比例劃分 SWA Head 與 Full Head 雖然直觀有效，但工程上必須解決一個問題：不同 Head 計算模式與計算量不一致，會導致負載不均衡，影響 GPU 并行效率與端到端吞吐。

為此，RTP-LLM 圍繞該不均衡在算子層與框架層做了針對性優(yōu)化，核心包括：

• Full Attention Head 的 PTX 級優(yōu)化：對仍需全量計算的 Full Head 深入 PTX 指令層，利用 gmma::mma_async_shmA 等異步拷貝與矩陣乘指令提升效率；融合 IO warps 與 P/V 計算階段，優(yōu)化 Ping-Pong 流水與調度，減少空轉等待。
• 稀疏度感知的負載均衡調度：針對 Tail Latency，采用稀疏度感知動態(tài)調度（如反向拓撲排序），優(yōu)先分配重 tile 給 SM，使各 SM 更同步完成任務，降低尾延遲、提升吞吐。
• SWA 的高效實現(xiàn)：避免傳統(tǒng) SWA 常見的 “三段式 KV 拼接” 或 “Custom Mask” 做法（訪存與調度開銷大），通過重塑數(shù)據(jù)布局與計算路徑減少冗余訪存與額外算子開銷。
• 用 CP（Context Parallel）替代 TP（Tensor Parallel）：在 headwise 稀疏場景下，TP 易導致算力利用率低且不夠靈活；采用 CP 讓單卡完成全部 head 的 attention 計算，提高 GPU 利用率，并通過計算 - 通信重疊降低通信開銷。

綜合以上優(yōu)化，RTP-LLM 能將 Attention 稀疏帶來的理論收益穩(wěn)定、可復現(xiàn)地轉化為端到端加速；在 256k 長序列下實現(xiàn)單算子最高 9× 加速（見圖 5，圖中僅 15% Head 使用 Full Attention）。

團隊介紹

RTP-LLM 是阿里巴巴智能引擎團隊自研的高性能大模型推理引擎，支持了淘寶、天貓、高德、餓了么等核心業(yè)務的大模型推理需求。智能引擎源自阿里巴巴搜索、推薦和廣告技術，是阿里 AI 工程領域的先行者和深耕者。團隊專注于 AI 工程系統(tǒng)的建設，主導建立了大數(shù)據(jù) AI 工程體系 AI?OS，持續(xù)為阿里集團各業(yè)務提供高質量的 AI 工程服務。

RTP-LLM 項目已開源，歡迎交流共建： https://github.com/alibaba/rtp-llm

參考文獻：

[1]: Repeat After Me:Transformers are Better than State Space Models at Copying.

[2]: RazorAttention: Efficient KV Cache Compression Through Retrieval Heads

[3]: In-context Learning and Induction Heads

[4]: 蘇建林，“注意力機制真的可以集中注意力嗎？”，https://www.spaces.ac.cn/archives/9889