前两层为何只用滑动窗口注意力？架构设计引发技术猜想
stochasticchasm · x · 2026-09-11
有人注意到某 20 层模型中前两层仅使用滑动窗口注意力（SWA），并对其设计动机展开技术讨论。
- 疑问：20 层中只有 2 层用 SWA，对 prefill FLOPs 的节省似乎不大，但越少全局注意力确实越便宜，背后可能有故事，类似 MoE 的 first-k-dense 设计。
- 关于 cross attention：只 attend 编码器的 KV 应该是消融实验的候选之一；有趣的是 decoder 能在自身序列上下文中直接 attend 到编码器的 hidden states，似乎是好选择，思路类似 MoDA 这种允许引用更早层 KV 的设计。
所属事件:DeepSeek V4.1 Flash 技术报告流出：死磕 KV cache 压缩(44 条相关)→
「研究」频道最新
- EMNLP 2026 两篇论文：小模型实体追踪超人类、类人短暂记忆研究 — GretaTuckute · 2026-10-27
- 历时十年研究：秘鲁 Tarma 克丘亚语的「反自然」音系限制首获实证 — begusgasper · 2026-10-27
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- IdeaAnchor:用 1.4 万篇论文的灵感溯源教 LLM 基于文献提想法 — armancohan · 2026-10-26
- MIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难 — ZimingLiu11 · 2026-10-26
- 斯坦福数据中心化 AI 研讨会开放报名，海报截止延期 — jure · 2026-10-26