層級全局注意力（HGA）

層級全局注意力（Hierarchical Global Attention, HGA）是一種針對預訓練長上下文Transformer的新型稀疏注意力機制，可作為密集因果注意力的直接替代方案。該方法的核心優勢在於完全保留原始檢查點參數：預訓練中的W_Q、W_K、W_V和W_O投影保持原樣，無需引入任何校準參數，也無需進行重新訓練。這意味着任何已經預訓練好的模型都可以直接替換注意力層，而無需額外的微調步驟，大大降低了部署門檻。

研究團隊將HGA應用於Qwen3-30B-A3B-Instruct-2507-FP8模型，在單個RTX 5090（32GB）顯卡上成功實現了64K token的上下文長度。在此硬件上，傳統的逐token K/V存儲方案不可行，因為32GB顯存無法容納完整的K/V緩存。但HGA通過分層路由機制使這一目標成為可能，展示了其在資源受限設備上的巨大潛力。

HGA區別於以往的稀疏注意力方法，其關鍵創新在於分層兩階段路由。首先，該方法使用緊湊的RoPE感知摘要來檢索相關塊；然後，通過僅路由最相關的組來細化選擇，最後在選定的token集上執行精確的逐token注意力。這種分層檢索顯著減少了需要獲取的token數量，同時保持了對檢索集的精確注意力，使得基於RAM和NVMe的存儲方案變得實用。具體而言，完整的歷史token K/V存儲在主機RAM或NVMe存儲中，而在注意力計算期間，只有少量的路由工作集被傳輸到GPU內存。因此，GPU內存消耗主要取決於模型權重和路由工作集，而非總上下文長度。

在4K到64K token的所有測試上下文長度下，HGA的路由注意力與密集註意力的差異保持在約0.01至0.02 nats範圍內，而使用的稀疏度僅為約3%。這些結果表明，分層路由引入的近似誤差很小，剩餘的質量差距很可能由長上下文位置編碼主導，而非路由算法本身。該研究為在有限硬件上運行長上下文模型提供了切實可行的解決方案，對模型部署和推理效率具有重要影響。