MOIRA：面向长上下文解码的稀疏注意力索引方案
原文标题：MOIRA: Mass-Oriented Indexing with Ragged Attention for Long-Context Decoding
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。
研究者提出 MOIRA，一种在 vLLM 中免训练的稀疏解码路径，按 KV head 与层自适应分配注意力预算，仅保留覆盖注意力质量达 γ 比例的最少页面。配套的 self-planning attention 内核让每个线程块自行分配工作量，使整个解码步骤保持在 CUDA graph 内。在 H200 上 128k 上下文时，γ=0.99 可匹配稠密精度、仅读取约 30% 页面，TPOT 降低 2.2-2.5 倍，高负载下吞吐提升最高 51%。
- 问题
- 长上下文解码受KV缓存内存带宽限制，每token需读所有层缓存。
- 方法
- 免训练稀疏解码，按KV head与层自适应分配注意力预算，配合self-planning内核保持CUDA graph。
- 结果
- H200上128k上下文γ=0.99匹配稠密精度，仅读约30%页面，TPOT降低2.2-2.5倍，高负载吞吐提升最高51%。
- 影响
- 长上下文推理成本与延迟显著下降，vLLM用户可近乎无损地开启稀疏解码。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MOIRA在H200上128k上下文时仅读约30%页面即匹配稠密精度，TPOT降低2.2-2.5倍。
- •MOIRA是vLLM中免训练的稀疏解码路径，按KV head与层自适应分配注意力预算
- •覆盖规则保留注意力质量达γ比例的最小页面集合
- •self-planning attention内核让每个线程块自行分配工作，整个解码步骤留在CUDA graph内
- •H200上128k上下文、γ=0.99时匹配稠密精度并仅读约30%页面
- •TPOT相对稠密FA3降低2.2-2.5倍，高负载下吞吐提升最高51%
为什么重要：长上下文解码受内存带宽限制，免训练即插即用的稀疏路径可直接降低推理成本，对部署长上下文服务的团队影响直接。
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。