媲美DeepSeek NSA！腾讯优图提出混合注意力机制SSA，长上下文外推更强

大语言模型（LLMs）在处理长上下文时面临全注意力机制带来的二次方计算复杂度瓶颈，限制了其推理效率。稀疏注意力通过限制每个查询仅关注部分历史 token 来缓解这一问题，但无需训练的稀疏策略往往导致性能显著下降。尽管原生稀疏注意力方法（如 NSA、MoBA）通过端到端训练改善了这一状况，却陷入一个关键悖论：其学习到的注意力模式反而比全注意力模型更稠密，削弱了稀疏化的有效性。这源于梯度更新缺陷——未被稀疏机制选中的键值对在前向传播中被跳过，未获得梯度更新，导致无法学会自我抑制。

为此，腾讯优图联合伦敦国王学院提出 SSA（Sparse Sparse Attention）训练框架，在每一层同时引入稀疏与全注意力，并强制二者输出双向对齐。该设计保留了所有 token 的梯度流，使模型能主动学习有效稀疏，而非被动剪枝。实验表明，SSA 在多个常识推理基准上达到了稀疏与全注意力推理下的SOTA水平；其模型还能平滑适应不同稀疏预算——随着允许关注的 token 数增加，性能持续提升，支持灵活的计算-性能权衡。尤为突出的是，SSA 在长上下文外推任务中表现最强，通过缓解“汇聚区”（sink areas）中注意力值的过度分配，显著提升了模型对超长序列的泛化能力。

论文标题：SSA: Sparse Sparse Attention by Aligning Full and Sparse Attention Outputs in Feature Space

论文链接：

https://huggingface.co/papers/2511.20102

1

方法

SSA 设计了两个优化的目标：

标准的下一词预测交叉熵损失，在稀疏与全注意力模式下以相等概率采样计算。

层级别的双向对齐损失，用以约束稀疏注意力与全注意力输出的一致性（详见算法1）。

其中，L_mode表示在随机采样的注意力模式（全注意力或稀疏注意力）下计算的交叉熵损失，α 为权重系数，L_alignment为双向对齐损失，旨在促进全注意力与稀疏注意力输出的一致性。

（1）稀疏与全注意力模式

在训练过程中，以相等概率交替采用全注意力与稀疏注意力模式（如图2所示）。引入双模训练有两个原因：一方面，全注意力能自然形成更具区分度、天然自稀疏的注意力分布；另一方面，稀疏注意力更贴近实际推理时的运行方式。为控制计算开销，并确保模型在训练中处理的 token 总量与基线方法一致，研究者并未同时优化两种模式的损失，而是交替进行更新。

图2 SSA 训练框架示意图

（2）对偶注意力对齐机制

为进一步提升注意力稀疏性并增强两种注意力模式之间的一致性，研究者引入了一种对偶注意力对齐机制。在每一层中，除当前主干路径所采用的注意力模式外，额外计算其对应相反模式的辅助注意力输出（例如，若当前流使用全注意力，则同时计算稀疏注意力输出）。该辅助计算仅用于对齐目标，不参与后续层的前向传播。

对齐目标由两个互补的组件组成。第一个是稀疏性损失，它旨在促进全注意力输出模仿稀疏注意力输出，从而促进形成更稀疏和更具选择性的注意力分布：

其中sg[·]表示梯度截断，a_full和a_sparse分别指全注意力和稀疏注意力输出。

第二个组件为对齐损失，用于对稀疏注意力输出施加正则化，使其与全注意力输出保持一致。

总对齐损失结合了两个分量:

这种双向对齐机制协同作用，一方面促使全注意力在训练过程中自然趋向更稀疏的分布，另一方面确保稀疏注意力分支在训练中保持稳定，并与其对应的全注意力分支保持一致。从概念上看，该损失以基于值向量（value-aware）的方式对齐两种注意力分布。相较于直接对齐全注意力分布，该方法显著提升了效率：后者需要显式构建稠密的注意力矩阵，不仅与 FlashAttention 等基于在线 softmax 的高效实现不兼容，还会造成较大的内存开销和计算负担。

2

评估

（1）语言建模能力

表1 在全注意力和稀疏注意力推理下，不同训练方法的比较

表6 SSA、MoBA 和 FullAttn 在 KL 散度、注意力稀疏性、困惑度及基准任务准确率方面的对比

SSA 通过引入稀疏训练路径和对齐损失，在保持全注意力性能的同时，显著提升了稀疏推理质量。其核心机制是对齐损失促使全注意力分布变得更稀疏，从而减少与稀疏注意力在推理测试时的表达差异。如表1和表6所示，SSA 的稀疏注意力和全注意力性能差距最小（体现在PPL 和 KL 散度两个指标），验证了“增强内在稀疏性可提升稀疏推理效果”这一假设。

（2）常识推理

如表1所示，在PIQA 、Hellaswag 、ARC‑Easy以及ARC‑Challenge这些常识推理任务中，SSA 不仅优于所有稀疏基线，甚至以仅 256 Token的感受视野（receptive field）超越了全注意力模型。两者在全注意力下的语言建模能力（PPL）相当，但 SSA 的下游任务性能显著更高。

由于二者唯一区别在于 SSA 具有更稀疏的注意力分布，性能提升最可能源于这种内在稀疏性。消融实验进一步验证了这一点：移除对齐损失后，推理性能下降。

表3 消融实验。Train A×B 表示训练时采用感受视野大小为 A、块大小（bl为 B 的配置；FullRatio 指图2中全注意力流（Full Attention Stream）的采样比例。此外，Only Full→Sparse 表示仅将对齐约束从全注意力单向施加至稀疏注意力路径，而 Only Sparse→Full 则表示对齐方向相反，仅从稀疏注意力向全注意力施加约束。

（3）不同稀疏程度下的外推性能

SSA 在不同稀疏程度下展现出良好的外推能力：随着稀疏注意力中 token 数量增加，其在四项任务上的性能基本呈单调提升。

图3 性能与感受视野大小的关系

（4）长上下文评估

表2 在多种上下文长度下的评估结果

图4 (a) 不同上下文长度下的困惑度。(b) 在 SSA 中提高稀疏注意力训练的比例，可提升模型在长上下文上的外推能力。(c)相较于 MoBA 和 FullAttn，SSA 在局部位置分配了更高的 logits 权重。(d) FullAttn 将大量注意力质量分配给了 8K 以外的 token。其中，图 (a) 使用 1B 参数模型，图 (b–d) 使用 300M 参数模型

如表2所示，在大海捞针任务（Needle-in-a-Haystack)中，SSA 在几乎所有感受视野下（除 1024 外）均为最强的稀疏注意力方法，并在全注意力推理下达到 100% 准确率。

当上下文长度超过训练最大长度（8K）时，FullAttn 性能骤降至 0%，而经稀疏注意力训练的模型仍保持非零检索能力，甚至在全注意力模式下也能恢复可观性能。

在困惑度方面，FullAttn 和 MoBA 在上下文超出预训练窗口后均出现 PPL 剧增；相比之下，SSA 与 NSA 在长达 32K 的上下文中仍保持低且稳定的 PPL。尽管 NSA 的 PPL 略优，但其架构更复杂，且无法外推至全注意力推理；而SSA 在全注意力评估下依然稳定，体现出更强的简洁性与鲁棒性。

在更全面的长上下文理解基准 LongBench 上，SSA 在所有推理模式下均取得最佳结果，进一步验证了其综合优势。