SMat-Attention：结构化长上下文序列建模
原文标题：SMat-Attention: Structured Long-Context Sequence Modeling
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出结构化矩阵注意力（SMat-Attention），通过一族行支撑集VC维为d的因果掩码，在softmax注意力与线性注意力之间建立可调结构。d=1退化为标准因果掩码，d增大则支持更丰富的子集路由。作者给出分块前后向算法，硬路由构造在长度T下仅需O(T^{2-3/d}+T)计算，并扩展到Mamba-2与Gated DeltaNet。
- 问题
- softmax注意力的二次成本与线性注意力的固定状态压缩之间缺少可调结构。
- 方法
- 提出行支撑VC维为d的因果掩码族SMat-Attention，d=1退化为标准因果掩码，并给出分块前后向算法。
- 结果
- 硬路由构造计算量为O(T^{2-3/d}+T)，流式解码每token常数时间、缓存O(T^{1-1/d})。
- 影响
- VC维成为显式旋钮，统一调节访问模式、预填充成本与解码内存，可迁移到Mamba-2等架构。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SMat-Attention 用 VC 维 d 作旋钮，在 softmax 与线性注意力间连续调节，硬路由仅需 O(T^{2-3/d}+T) 计算。
- •d=1 退化为标准因果掩码，d 增大支持更丰富的子集路由模式
- •硬路由构造在长度 T 下计算量为 O(T^{2-3/d}+T)，尽管掩码是稠密的
- •固定视野流式解码每 token 常数时间，缓存状态为 O(T^{1-1/d})
- •给出分块前后向算法以适配硬件效率
- •方法扩展到 Mamba-2 与 Gated DeltaNet，用 top-k 查询读取的学习路由保持亚二次预填充
为什么重要：把 VC 维变成显式旋钮，统一了长上下文建模中访问模式复杂度、预填充成本与解码内存的权衡，对做长序列架构选型的研究者直接可用。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。