KAIST AI · Google DeepMind · arXiv 2609.02737 · 2026-09-02
<global> / <focus> / <local> 三种标签声明自己要 attend 哪里，推理引擎像解析工具调用一样解析声明、构造段级注意力掩码、跳过大部分 KV cache 读取。零训练、零辅助打分器，现成模型上注意 token 减少 52.0% / 31.1%，准确率只掉 1.27pp / 2.75pp。一、一个被忽视的常识
长上下文推理最贵的不是算力，是搬数据。解码每生成一个 token，都要把整个 KV cache 从显存读一遍——Qwen-3.5-397B 在 1M 上下文下，每个序列每步要读约 15 GB KV cache，这个带宽需求跟加载 17B 激活参数一个量级。而实证研究早就发现：模型真正"在意"的只有上下文里一小撮 token，却每次都全量扫描。
现有稀疏注意力方案的共同套路是外挂打分器：用轻量代理分数预选相关 token，再做 attention。问题是打分本身每步仍是 O(N)——你只是把全量注意力换成了全量打分，账没省掉多少。
这篇论文的出发点是个朴素的反问：模型自己难道不知道该看哪吗？
二、Declarative Attention：把注意力变成声明式
答案是：知道，而且能直接说出来。作者设计了一套协议，让模型在思维链里声明自己的注意力去向，三种模式：
<global> 浏览全上下文，用于导航定位；<focus chunk=N> 只看编号 N 的"魔法块"（长上下文预先切成的段落）；<local> 只看自己已生成的回答，用于收敛。
<global> 定位（全量注意），再 <focus chunk=1> 精读（−86.5%），最后 <local> 收敛（−95.6%）。引擎从文本轨迹直接派生段级掩码，无需任何辅助打分器。推理引擎像解析工具调用一样解析这些标签，动态构造 segment 级注意力掩码——<focus> 时其余块直接从 KV 读取中跳过，没有任何打分步骤。不需要训练，不需要辅助模型，现成模型零样本可用。
协议本身的设计相当精细：每次回答至少一个 <focus>（最常见的失败模式是跳过定位直接靠记忆猜）；必须以 <local> 收尾并点名最终答案（"承诺步骤"，防止取回一堆值后忘了题目要哪个）；进入 <local> 后魔法块已被掩蔽，"记忆里"的块内容都算瞎猜，需要就回去再 <global>。
三、效果：零样本就是下限
| 指标 | Gemma-4-31B | Qwen-3.6-27B |
|---|---|---|
| 注意 token 减少 | 52.0% | 31.1% |
| 准确率损失（15 任务均值） | −1.27 pp | −2.75 pp |
| 估算解码时延（B200 roofline） | 0.71× | 0.77× |
| KV 读取量（整个生成过程） | 1100 → 528 GB | 1477 → 1017 GB |
三个细节值得咀嚼：
省的 token 比省的时延多。 DA 会多生成 31–35% 的推理文本（声明本身有开销），matmul 和本地内存成本反而微涨；Gemma 的 SWA 层（60 层里占 50 层）是不可压缩的读取下限，占住 42% 的注意力时间，把节省封了顶。Qwen 的 GDN 循环状态很小（5%），节省几乎全额传导——这就是 0.71× 和 0.77× 差异的来源。注意这是 roofline 理论估算，非实测。
越强的模型协议遵守越好。 focus 成功率从 Gemma-4-E4B 的 58% 升到 31B 的 99%；相对准确率沿家族规模单调爬升（29%→99%，64%→97%）。DA 本质上是一项"能力活"：既要解析协议、又要克制自己不全量阅读，两者都吃模型智力。
模式分布也印证了协议意图：<global> 只占生成 token 的约 27%，73% 的推理发生在廉价的 <focus>/<local> 里，后两者每 token 注意力节省 76–99%。
<global> 回升到约 45%
<focus>/<local> 节省 76–99%，且随上下文变长而扩大
四、为什么值得认真对待
第一，它开了一条正交的稀疏化轴。 KV 量化压的是"每个 token 读几个字节"，DA 压的是"读多少 token"——两者是乘法关系，可以堆叠。KV 读取量已经减半的模型再叠上量化，长上下文解码的经济性会完全改写。
第二，"声明式"这个范式比数字本身重要。 过去的稀疏注意力是让引擎去猜模型要什么（隐藏状态探针、代理分数），DA 是让模型说它要什么。这是 tool use 范式向推理内核的渗透：模型不只调用外部工具，还"调用"自己的注意力。声明写在文本轨迹里，可审计、可解释、可干预——对安全审查也是利好。
第三，对视频语义检索是同构启发。 少量关键帧含目标信息时，全局 softmax 的竞争会稀释关键信号——这正是筛选机制天然适配该场景的原因。DA 相当于把筛选权交给模型自己：先 <global> 扫块级摘要，再 <focus> 精读候选段，粒度是段而非帧。零训练就能跑，意味着这个范式可以直接嫁接到多模态底座上试。
五、冷水
消融显示掩码贡献了几乎全部 token 节省，也贡献了大部分准确率损失（Qwen 上 −2.75pp 里 −2.06pp 来自掩码，块状格式本身几乎免费）；长上下文桶里 <global> 占比回升到 45%，节省被侵蚀；少数响应（Gemma-4-12B 上约 6%）在 8K 预算内收不了尾。零样本结果是下限——论文自己也承认，训练加持下的 DA 才是完全体。