長序列高效處理已成為大模型應用的關鍵。

傳統稠密注意力在序列變長時計算開銷極速增長，直接限制了產品可用性與成本可控性。

為解決這一痛點，清華 、OpenBMB 和哈工大提出 InfLLM-V2：一種零額外參數、訓練高效的原生稀疏注意力框架。

InfLLM在短文本場景保持原生高效率，在長文本場景則切換為稀疏模式，帶來端到端的顯著加速。

該方法僅用5B的長文本詞元，即可完成稀疏注意力的訓練（而DeepSeek-V3.2-Exp訓練了近 1T 詞元的數據，才完成稀疏注意力的訓練）。

具體而言，InfLLM-V2相比于稠密注意力機制可以實現4倍的速度提升，在長文本理解任務上保持98.1%的稠密模型性能，在深思考任務上保持99.7%的稠密模型性能。

InfLLM有三個核心優勢

1. 低成本訓練：僅需5B長文本數據即可完成稀疏注意力能力的訓練，訓練成本低，適配周期短。

2. 短到長無縫切換、效率雙優：零新增參數，短序列用稠密、長序列切換為稀疏，完全對齊「短序列預訓練-長序列后訓練」的主流范式，訓練穩定、收斂快。

3. 高效算子實現：針對稀疏注意力「相關上下文選擇」（塊選擇）的時間瓶頸進行系統優化，提出面向硬件的高效實現，顯著降低HBM I/O與計算開銷，釋放稀疏注意力的全部潛能。

論文鏈接：https://www.arxiv.org/pdf/2509.24663

模型鏈接：https://huggingface.co/openbmb/MiniCPM4.1-8B

InfLLM-V2如何做到既「強」又「快」

在標準 Transformer 的自注意力中，每個查詢詞元 (Q[t]) 需與全部歷史詞元 (K[:t]) 計算相似度并參與注意力計算。

在長上下文（動輒數十萬詞元）時造成難以承受的時延與成本。經驗上，長序列中絕大多數遠距離注意力計算并非同等重要，注意力矩陣呈現顯著的「稀疏性」（多數注意力得分接近零）。

如果能僅對「少量相關上下文」進行計算，就能顯著降低模型注意力計算開銷。

稀疏注意力將「每個查詢詞元都與所有鍵值交互」的稠密范式，替換為「每個查詢詞元只與一個選定子集交互」的稀疏范式。

核心包括兩個步驟：

塊選擇，將上下文拆分為鍵值塊，并為每個查詢確定需要參與注意力計算的鍵值子集；

稀疏注意力計算，僅在被選中的子集上進行注意力計算。

可訓練的稀疏注意力在模型訓練過程中即引入稀疏機制，能夠系統性地提升模型在長文本場景下的效率與質量。

然而，現有代表性方法主要為 DeepSeek提出的NSA架構。

NSA雖然采用了成熟的塊稀疏結構并配套專用CUDA內核，但其架構與主流的「短序列預訓練—長序列微調」范式存在明顯錯配：引入三套獨立的 KV 緩存與三種注意力分支，在「長序列微調」中將使得模型收斂不穩，并且對短序列場景增加了大量的額外開銷。

針對上述痛點，InfLLM-V2 提出「零額外參數、長短無縫切換」 的可訓練稀疏路徑，在不改變原有注意力參數的前提下，完成從稠密到稀疏的平滑切換。

無縫短長切換：僅用一套共享鍵值緩存（零額外參數），把 NSA 多分支并為單一分支；與稠密注意力在參數與計算方式上完全對齊，按序列長度動態切換稠密/稀疏，訓練更穩。

長短序列效率雙優：短文本直接使用稠密注意力機制，零額外開銷與性能回退；長文本用統一的稀疏范式，prefill 與 decode 全鏈路提速。

硬件友好的塊選擇：基于 MLP 的塊壓縮操作修改為無參數池化操作；壓縮注意力（圖中Compressed Attetntion）修改為僅生成選擇分數，計算 Top-K；配合 GQA 組內共享 Top-K，實現了更優的計算 Kernel 融合，避免塊選擇代替稀疏注意力成為效率瓶頸。

在以上技術的支持下，InfLLM-V2僅需使用5B詞元即可實現稀疏注意力模型的訓練！

與DeepSeek Sparse Attention對比

值得注意的是，在9月29日，DeepSeek-V3.2-Exp中提出了NSA的升級版 —— DeepSeek Sparse Attention（DSA）。

DSA拋棄了NSA中三套獨立KV緩存與三種注意力分支的設計，并在后訓練階段引入稀疏注意力算法。

實驗結論

研究人員基于MiniCPM4的基座模型，在長文本理解與深思考任務上對比了不同稀疏注意力算法的效果。

長文本理解任務

在長文本理解任務RULER、LongBench與LongPPL評測中，InfLLM-V2實現了與稠密注意力模型完全可比的性能，展現了InfLLM-V2的優越性。其他稀疏注意力方法一定程度上都會導致模型性能下降。

NSA方法新增了大量參數，在少量的長文本訓練后，無法讓模型捕捉到長上下文中的前后語義關聯。

深思考任務

在數學、代碼深思考任務中，InfLLM-V2能夠實現與稠密注意力可比的性能，而 NSA 方法卻對模型效果有著較大的損害。

隨著愈來愈多的任務要求模型進行更深入的推理與分析，「如何高效加速模型的思考過程」已成為當下的重要研究方向。InfLLM-V2充分展現了稀疏注意力在深思考場景下的潛力。

效率評測

研究人員在A100與4090兩款芯片上對InfLLM-V2進行了推理效率評測。

結果表明，InfLLM?V2相對稠密注意力可獲得顯著加速，在128K長文本中，InfLLM-V2 可實現4-9倍算子加速比。

分解分析與消融實驗表明，高效塊選擇設計是關鍵加速來源。

端到端評測中，InfLLM?V2在prefill與decode分別實現約2.1×與2.3×加速。

算子速度測評

端到端速度測評

首個開源原生稀疏注意力模型

MiniCPM4/MiniCPM4.1

在今年6月，OpenBMB聯合清華提出了InfLLM-V2架構，并基于該架構共同發布了首個開源的原生稀疏注意力模型MiniCPM4，并在9月初開源了混合思考版本MiniCPM4.1

MiniCPM4.1在眾多深思考任務上取得綜合平均分同尺寸模型第一。

MiniCPM4.1充分利用稀疏注意力、投機采樣等高效算法，在LiveCodeBench、AIME等代碼、數學推理的測試中，推理速度比Qwen3-8B等同尺寸開源模型快3倍以上。

研究人員表示，將持續優化InfLLM-V2的訓練算子與推理算子，將InfLLM-V2集成至SGLang等主流推理框架中。

同時，為了促進稀疏注意力機制的研究，也將陸續開源論文中使用到的基座模型（Base模型）與長文本訓練數據。