影音先锋橹撸资源_人妻少妇孑伦无码视频_日本女人牲交视频免费看_国产香蕉视频上线免费_波多野结超清无码中文影片_婷婷色丁香五月激情综合在线观看_寡妇高潮流白浆A片_国产精品九色 Av_花房姑娘电影未删减版免费观看_国产亚洲综合一区三区在线播放

夢晨發(fā)自凹非寺量子位|公眾號QbitAI

在ACL2025的頒獎典禮上，由DeepSeek梁文鋒作為通訊作者、與北京大學等聯(lián)合發(fā)表的論文榮獲最佳論文獎。

這次ACL2025規(guī)模空前，總投稿量達到8360篇，相較于去年的4407篇幾乎翻倍，競爭異常激烈。

簡單來說，他們提出的原生稀疏注意力（NSA）機制，通過算法與硬件的協(xié)同優(yōu)化，直接把長文本處理速度提升了11倍。更厲害的是，性能不僅沒降反而還超越了傳統(tǒng)的全注意力模型。

一作袁境陽在會上發(fā)表演講，透露這項技術(shù)可以把上下文長度擴展到1百萬tokens，將被應(yīng)用到下一個前沿模型中。

結(jié)合論文發(fā)表于DeepSeek-R1推出之后，實驗設(shè)置中也提到使用了DeepSeek-R1的蒸餾數(shù)據(jù)來微調(diào)了新的模型。

大家紛紛猜測，這項技術(shù)將被用于下一代DeepSeek-V4以及DeepSeek-R2。

給注意力機制瘦身，速度狂飆11倍

長久以來，大語言模型處理長文本就像是戴著鐐銬跳舞。傳統(tǒng)的全注意力機制計算復雜度隨序列長度呈平方級增長，處理64k長度的文本時，注意力計算竟然要占到總延遲的70-80%。

這篇論文的解決思路很巧妙：既然不是所有詞之間的關(guān)系都同等重要，為什么不讓模型學會”抓重點”呢？

NSA采用了一種動態(tài)分層的稀疏策略，通過三條并行的注意力分支協(xié)同工作：

壓縮注意力，負責捕捉粗粒度的全局信息模式，就像快速瀏覽全文抓住大意；選擇性注意力，則專注于序列中最重要的詞塊，相當于精讀關(guān)鍵段落；滑動注意力，負責獲取局部的上下文信息，確保細節(jié)不丟失。

這種設(shè)計最精妙的地方在于，它不是簡單地丟棄信息，而是通過精心設(shè)計的算法平衡了計算密度。

更重要的是，整個架構(gòu)針對現(xiàn)代GPU硬件進行了深度優(yōu)化，實現(xiàn)了端到端的原生可訓練模式。

在實際測試中，處理64k長度序列時，NSA在解碼、前向傳播和反向傳播的全生命周期中都展現(xiàn)出驚人的速度優(yōu)勢。

解碼階段速度提升11.6倍，前向傳播提升9倍，反向傳播也有6倍的加速，無論是模型推理還是訓練，都能獲得實實在在的效率提升。

不僅快還更準，長文本處理迎來新突破

速度快只是NSA的一面，更讓人驚訝的是它在各項基準測試中的表現(xiàn)。

在通用基準測試中，采用NSA預訓練的27B參數(shù)模型在9個評測指標中有7個超越了全注意力基線。特別是在推理相關(guān)的基準測試上，DROP提升了0.042，GSM8K提升了0.034，顯示出稀疏注意力在強制模型聚焦關(guān)鍵信息方面的獨特優(yōu)勢。

長文本處理能力的測試結(jié)果更是亮眼。在64k上下文的”大海撈針”測試中，NSA在所有位置都實現(xiàn)了完美的檢索準確率。在LongBench基準測試上，NSA取得了0.469的平均分，不僅超越了全注意力基線（+0.032），更是大幅領(lǐng)先其他稀疏注意力方法。

特別值得一提的是，在需要復雜推理的多跳問答任務(wù)上，NSA相比全注意力分別提升了0.087（HPQ）和0.051（2Wiki）；在代碼理解任務(wù)（LCC）上提升了0.069；在段落檢索任務(wù)（PassR-en）上提升了0.075。

研究團隊還進行了一項有趣的實驗：

他們用DeepSeek-R1的數(shù)學推理數(shù)據(jù)對模型進行微調(diào)，然后在美國數(shù)學邀請賽（AIME24）上測試。

結(jié)果顯示，NSA-R在8k上下文設(shè)置下的準確率達到0.121，而全注意力模型只有0.046；即使在16k上下文下，NSA-R仍然保持0.146的準確率，遠超全注意力的0.092。

這些結(jié)果充分證明了NSA不是通過犧牲性能來換取速度，而是真正實現(xiàn)了效率和能力的雙贏。

ThreeMoreThing

這次總共評選出4篇最佳論文，另外三篇包括：

北大團隊的《LanguageModelsResistAlignment:EvidenceFromDataCompression》

研究了大型語言模型的“彈性”，指模型經(jīng)過對齊訓練（讓模型符合人類價值觀、減少有害輸出）后，很容易因為后續(xù)的微調(diào)而變回預訓練時的狀態(tài)，就像彈簧被拉伸后會反彈一樣。

這意味著現(xiàn)有的對齊方法可能只是表面上改變了模型，不夠穩(wěn)固。未來需要更有效的對齊技術(shù)，才能讓模型真正穩(wěn)定地符合人類需求，尤其是在開源模型中，要避免惡意微調(diào)輕易破壞安全機制。

斯坦福團隊的《FairnessthroughDifferenceAwareness:MeasuringDesiredGroupDiscriminationinLLMs》

研究了大模型“公平性”上的一個新視角“差異感知”。簡單來說，就是模型應(yīng)該在合適的場景下對不同群體做出區(qū)分，而不是一味地一視同仁。

研究發(fā)現(xiàn)那些在傳統(tǒng)公平性測試中表現(xiàn)好的模型，在“差異感知”上得分并不高；模型能力越強（比如MMLU分數(shù)越高），情境感知能力越好，但差異感知能力未必提升；現(xiàn)有的“去偏見”方法（比如提示模型“保持無偏見”）反而會讓模型更無視差異，甚至把正確答案改錯。

亥姆霍茲信息安全中心等團隊的《ATheoryofResponseSamplinginLLMs:PartDescriptiveandPartPrescriptive》。

這篇論文指出大模型生成回答時的采樣機制與人類決策類似，包含描述性成分（反映概念的統(tǒng)計常態(tài)）和規(guī)定性成分（隱含的概念理想狀態(tài)）。

研究通過實驗驗證，無論是新創(chuàng)概念還是現(xiàn)有概念（涵蓋10個領(lǐng)域的500個概念），LLMs生成的樣本都會偏離統(tǒng)計平均值，向其認為的“理想值”偏移，且這種現(xiàn)象在15種不同模型中均顯著存在。案例研究顯示，這種偏向可能導致醫(yī)療等領(lǐng)域的有偏決策，引發(fā)倫理問題。

DeepSeek論文地址：https://arxiv.org/abs/2502.11089

參考鏈接：[1]https://x.com/aclmeeting/status/1950572483637067786[2]https://x.com/casper_hansen_/status/1950649481617342803

小說:穿梭諸天被當螻蟻?向南飛一笑,神靈盡滅!

“我等下會以這縷永恒之魂為核心，煉制成一個與你靈魂相融，擁有輔助功能的“主宰武裝核心”。帶你穿梭無盡混沌維度宇宙次元，吞噬收割那些宇宙本源，映照諸天法則補自身?！薄按┧蟠卧?？收割本源？是過去殺人？還是篡改走向？或者毀滅世界？”聽著“穿梭諸天”，閑暇時間也在起點看小說的向南飛頓時就產(chǎn)生了誤解，瞬好了吧！
“我等下會以這縷永恒之魂為核心，煉制成一個與你靈魂相融，擁有輔助功能的“主宰武裝核心”——-。帶你穿梭無盡混沌維度宇宙次元，吞噬收割那些宇宙本源，映照諸天法則補自身_。”“穿梭次元？收割本源？是過去殺人？還是篡改走向？或者毀滅世界？”聽著“穿梭諸天”，閑暇時間也在起點看小說的向南飛頓時就產(chǎn)生了誤解，瞬有幫助請點贊。

小說:田少遇到與眾不同的靈魂,千辛萬苦,終于探尋到背后的秘密!

小說：田少遇到與眾不同的靈魂，千辛萬苦，終于探尋到背后的秘密！今日推薦：《諸天末世主宰》作者：斯莫龍——。點擊文末超鏈接開始觀看吧～---精選段落--- 第05章悲催背圍他點點頭快步上去，她緊隨其后，很快到達位置，子彈上膛嚴陣以待|-。有些感嘆的田少，好想有幾個手雷，可惜黃金已不夠，現(xiàn)在只能依靠槍法了好了吧！
而他那透明虛幻到能前后看穿的身影，雖然只是端坐在凳子上，卻散發(fā)著淡淡凌駕諸天的無上尊貴氣息——。浩瀚無垢，又無比尊貴，猶如萬神之王，主宰諸天|。而坐在桌子右邊的向南飛，一頭精神短發(fā)，一米八的身形也算高大，有著與對面男子幾分神似的清秀面容。神態(tài)漠然，眼底有著一抹年輕人不該有的頹廢，看起來似乎是一個有幫助請點贊。

佛說阿彌陀經(jīng)全文原文解釋

無量諸天大眾俱。有一天，釋迦牟尼佛在舍衛(wèi)國，祇樹給孤獨園里說法，在場的有佛陀的常隨弟子出家眾一千兩百五十人。這一千兩百五十人都是大阿羅漢，德行高尚，為眾人所熟知的。這些人包括了：長老舍利弗、摩訶目犍連、摩訶迦葉、摩訶迦砃延、摩訶俱絺羅、離婆多、周利槃陀伽、難陀、阿難陀、羅侯羅、憍梵波提、賓頭盧好了吧！
真君曰：「職今到此，正為此事?！菇讨髟唬骸干圃?！善哉！此書一出，凡世閑人，果能信心奉行，自然脫離地獄之苦|。傳此書者，受享無量功德。因說偈曰：「洞徹幽冥度眾生，金丹九轉(zhuǎn)莫辭辛；書成功德超三界，學我慈悲誓愿心?！褂内そ讨鲃袷牢模河衷唬骸付蹿鲑F如珍，好向高堂孝二親；請誦血盆經(jīng)一卷，..

免責聲明：本文內(nèi)容由開放的智能模型自動生成，僅供參考。