MiniCPM-SALA: Гибридизация разреженного и линейного внимания для эффективного моделирования длинных контекстов
MiniCPM-SALA: Hybridizing Sparse and Linear Attention for Efficient Long-Context Modeling
February 12, 2026
Авторы: MiniCPM Team, Wenhao An, Yingfa Chen, Yewei Fang, Jiayi Li, Xin Li, Yaohui Li, Yishan Li, Yuxuan Li, Biyuan Lin, Chuan Liu, Hezi Liu, Siyuan Liu, Hongya Lyu, Yinxu Pan, Shixin Ren, Xingyu Shen, Zhou Su, Haojun Sun, Yangang Sun, Zhen Leng Thai, Xin Tian, Rui Wang, Xiaorong Wang, Yudong Wang, Bo Wu, Xiaoyue Xu, Dong Xu, Shuaikang Xue, Jiawei Yang, Bowen Zhang, Jinqian Zhang, Letian Zhang, Shengnan Zhang, Xinyu Zhang, Xinyuan Zhang, Zhu Zhang, Hengyu Zhao, Jiacheng Zhao, Jie Zhou, Zihan Zhou, Shuo Wang, Chaojun Xiao, Xu Han, Zhiyuan Liu, Maosong Sun
cs.AI
Аннотация
Эволюция больших языковых моделей (LLM) в сторону приложений со сверхдлинными контекстами сталкивается с проблемами, обусловленными высокими вычислительными затратами и затратами памяти архитектуры Transformer. Хотя существующие разреженные и линейные механизмы внимания пытаются смягчить эти проблемы, они обычно предполагают компромисс между эффективностью использования памяти и производительностью модели. В данной статье представлена MiniCPM-SALA — гибридная архитектура с 9 миллиардами параметров, которая объединяет высокоточное моделирование длинного контекста разреженного внимания (InfLLM-V2) с глобальной эффективностью линейного внимания (Lightning Attention). Благодаря использованию алгоритма выбора слоев для интеграции этих механизмов в соотношении 1:3 и применению гибридной позиционной кодировки (HyPE), модель сохраняет эффективность и производительность для задач с длинным контекстом. Кроме того, мы представляем экономичную систему непрерывного обучения, которая преобразует предварительно обученные модели на основе Transformer в гибридные модели, что снижает стоимость обучения примерно на 75% по сравнению с обучением с нуля. Многочисленные эксперименты показывают, что MiniCPM-SALA сохраняет общие возможности, сопоставимые с моделями с полным вниманием, при этом предлагая повышенную эффективность. На одном GPU NVIDIA A6000D модель достигает до 3,5-кратного увеличения скорости вывода по сравнению с моделью с полным вниманием при длине последовательности в 256 тысяч токенов и поддерживает контексты длиной до 1 миллиона токенов — масштаб, на котором традиционные 8-миллиардные модели с полным вниманием не работают из-за ограничений памяти.
English
The evolution of large language models (LLMs) towards applications with ultra-long contexts faces challenges posed by the high computational and memory costs of the Transformer architecture. While existing sparse and linear attention mechanisms attempt to mitigate these issues, they typically involve a trade-off between memory efficiency and model performance. This paper introduces MiniCPM-SALA, a 9B-parameter hybrid architecture that integrates the high-fidelity long-context modeling of sparse attention (InfLLM-V2) with the global efficiency of linear attention (Lightning Attention). By employing a layer selection algorithm to integrate these mechanisms in a 1:3 ratio and utilizing a hybrid positional encoding (HyPE), the model maintains efficiency and performance for long-context tasks. Furthermore, we introduce a cost-effective continual training framework that transforms pre-trained Transformer-based models into hybrid models, which reduces training costs by approximately 75% compared to training from scratch. Extensive experiments show that MiniCPM-SALA maintains general capabilities comparable to full-attention models while offering improved efficiency. On a single NVIDIA A6000D GPU, the model achieves up to 3.5x the inference speed of the full-attention model at the sequence length of 256K tokens and supports context lengths of up to 1M tokens, a scale where traditional full-attention 8B models fail because of memory constraints.