（来源：机器之心Pro）
本文一作孟维康是哈尔滨工业大学（深圳）博士研究生，主要研究方向是高效基础模型架构，线性 / 混合注意力机制。通讯作者张正教授是哈尔滨工业大学（深圳）长聘教授、博士生导师，长期从事高效能多模态机器学习研究。
Softmax 注意力的平方复杂度，一直是大模型迈向长上下文的最大拦路虎。线性注意力虽快，从头训练一个大型线性模型却动辄需要成千上万 GPU 时。于是，「把现成的预训练 LLM 直接线性化」成为最具性价比的路线 —— 但现有方法要么按位置粗暴划窗、把远处关键证据挡在高质量注意力之外，要么在特征映射中破坏预训练模型的范数结构，长文能力断崖式下跌。
STILL近日被 NeurIPS 2026 正式接收。STILL 的核心贡献可以概括为两点：
配合保范数的特征映射 NP-Map 与统一训练 - 推理的分块并行实现，STILL 仅用0.04B 训练 token就完成线性化，在 16K 上下文下实现80% 显存削减、83% 预填充加速，并在长上下文基准上相对已有线性化方法最高取得86.2%的提升。
引入：层内混合，真的「混」了吗？
Transformer 自注意力需要计算所有 token 两两之间的交互，时间与显存复杂度均为序列长度的平方 O (N²)。为绕开从头预训练的天价成本，LoLCATs、Liger、KL-LS 等工作提出了层内混合注意力（Intra-Layer Hybrid Attention）：在同一个注意力层内，用 Softmax 注意力（SA）处理一小部分 token，用线性注意力（LA）总结其余上下文，只需少量蒸馏微调即可让预训练 LLM「变身」线性模型。
然而，这一范式存在两个关键缺陷：
1. 路由只看位置，不看内容 —— 滑窗拼接不是真正的混合。 现有方法普遍依赖滑动窗口做路由：窗口内的 token 走 SA，窗外的全部交给 LA 笼统压缩（LoLCATs/Liger），或者像压缩稀疏注意力（CSA）那样把未选中的 token 直接丢弃（NULL）。在作者看来，这种按固定窗口划分的方式只是 Softmax 与线性注意力在位置上的「拼接」，算不上真正的混合 —— 哪些 token 值得高保真处理，应当由内容重要性决定，而不是由它离当前位置有多远决定。这一位置偏见隐含假设了「关键依赖都是局部的」—— 但关键证据往往远在窗口之外。一旦重要 token 被挤出 SA 分支，模型对它们的记忆就只剩线性注意力的有损压缩。
图 1：层内混合注意力对比。LoLCATs/Liger 对窗外上下文统一施加线性注意力，长文容量受限；CSA 使用压缩稀疏注意力，但未选中的 token 被完全丢弃（NULL）；STILL 为重要 token 保留高保真 Softmax 注意力，同时用线性注意力无损地保留全部上下文。
2. 特征映射破坏预训练范数结构。此前研究（如 NaLaFormer）已指出，预训练 Softmax 注意力是「范数感知」的：向量模长调制表征强度，直接影响注意力分布的尖锐度。而主流线性化方案（如 Hedgehog）在特征映射前引入可学习 MLP，训练中会自由缩放特征范数 —— 即使后续的 softmax 映射名义上是范数感知的，它面对的也已经是被「拧歪」的范数分布，与预训练模型的表征强度失配。
这两个问题共同指明：有效的线性化需要(i) 反映 token 重要性而非位置的路由，以及 (ii) 保持预训练范数统计、而非重新学习的核映射。STILL 正是围绕这两点展开。
亮点一：同层混合注意力框架
什么才算真正的「混合」？STILL 的答案是：让每个 token 凭内容重要性决定自己进入哪条分支，而不是凭位置。论文的名字即点题 ——Selecting Tokens for Intra-Layer Hybrid Attention：先选 token，再谈混合。
图 2：STILL 层内混合线性注意力架构。先在滑窗内为每个 token 计算自显著性分数，Top-k 高分 token 路由至 Softmax 注意力，其余 token 由线性注意力处理；逐 token 选择被分块选择取代，支持并行训练与推理。
固定预算路由。 为保证显存有界、复杂度线性，STILL 为每个注意力头设定与序列长度无关的固定 Softmax KV 缓存预算 m：其中 W 个槽位留给最近的滑窗 token（保留细粒度局部交互），其余 m−W 个槽位全部分配给按分数选出的历史显著 token，每个已完成的 chunk 保留 λ=⌊(m−W)/T_max⌋ 个。显著 token 一旦选中即永久保留，未选中的则累积进线性注意力的循环状态，全程无需重新打分或驱逐。换言之，滑窗只负责「近处」，「远处」的名额全部由内容竞争产生 —— 这是与此前位置式拼接的本质区别。
延迟选择与分块并行。 逐 token 路由会引入不可忽视的开销、破坏并行性。STILL 改为以 chunk 为粒度做「延迟选择」：当新 chunk 开始时，才对上一个已完成 chunk 内的 token 按分数做 Top-λ 选择。训练与预填充阶段则采用分块并行形式，与解码阶段共享同一套路规则与记忆更新行为，训练 - 推理架构完全统一。
亮点二：自显著性分数
用局部窗口预测「未来有用」的历史
真正的混合需要一个回答得了关键问题的路由信号：一个 token 在变成遥远的上下文之后，未来的 query 还会关注它吗？全局注意力可以回答这个问题，但那是平方复杂度、不可部署的。STILL 的洞察是：这件事可以在局部窗口内低成本地预测。
STILL 提出自显著性分数（Self-Saliency Score）：对每个 token，在其局部滑窗内分别计算「含自身项」与「去除自身项」的两个滑窗注意力分布 a^diag 与 a^nodiag，然后用二者的 KL 型敏感度作为该 token 的分数：
直觉上，一个 token 对自己的注意力分布扰动越敏感（自交互越强），它在全上下文注意力下也越倾向于保持高排名。分数高的 token 被路由到 SA 分支，其余交给 LA，路由决策由内容而非位置驱动。
这一「局部预测全局」的能力有严格的理论保证：
命题 1（局部 - 全局一致性）：设 p_local 与 p_global 分别为局部与全局自注意力概率，当 ε→0⁺ 时，自显著性分数满足：(1) 单调性 ——∂Score_t/∂p_local > 0；(2) 保序性 ——Score_i > Score_j 蕴含 E [p^(i)_global] > E [p^(j)_global]。即局部算出的分数保留了全局排名的期望序。
实验可视化也证实了这一点：在滑窗内被标红的高分 token，放到全上下文注意力下依然高分 —— 大多数 token 分数近零、适合 LA，只有极少数脱颖而出、值得 SA 精算。
图 3：自显著性分数分布。左：滑窗注意力下分数最高的 token（红点）被路由到 SA；右：把这些 token 放到全上下文注意力中依然高亮，展现出强局部 - 全局一致性。
一个有趣的佐证是词云分析：被 SA 分支最频繁选中的，是否定词（not, no, never）、情态词（will, would, may）与量化词（all, any, nothing）这类「高辖域」功能词 —— 它们对整句语义有全局影响，恰恰最需要高保真的 Softmax 注意力来精确建模。
图 4：自显著性分数最常选入 SA 分支的 token 词云。高频入选者多为否定、情态、量化等高辖域功能词，说明 SA 优先保留精确的、上下文依赖的交互。
局部预测到底准不准？作者还做了一组直接验证：先用局部算出的自显著性分数选出 Top-224 的 token，再运行全注意力，统计后续 query 真正重视的远端 key 与它们的重合率。结果显示，在浅、中、深层的代表性注意力头上，重合率达到62.9%–84.8%—— 局部窗口内的分数，确实是在线可用的「未来 KV 价值」代理。这正是「用局部窗口预测未来有用的历史信息」的直接证据。
NP-Map：把预训练范数「原样还回去」
针对范数失真问题，STILL 提出保范数特征映射（Norm-Preserved Feature Map, NP-Map）：不再放任 MLP 自由缩放特征，而是显式地把「方向」与「模长」解耦 ——MLP 只负责精炼方向，预训练的原始范数被重新注入：
其中 f (⋅) 为可学习 MLP。通过把原始范数 ‖x‖ 重新注回变换后的特征，NP-Map 保证注意力机制严格对齐预训练模型的表征强度，在满足非负约束的同时完整继承预训练 Transformer 的细粒度语义信息。此外，STILL 还引入门控机制提升线性注意力的秩，完整线性分支为：
实验：短文本反超原版，长文本「复活」
训练上，STILL 沿用两阶段流水线（Attention Transfer + 低秩线性化），仅在 Cleaned Alpaca 数据上用 20M token、1024 序列长度训练，总成本仅 0.04B token。
常识与通用推理：
平均反超原版 Transformer
在 PIQA、ARC-E/C、HellaSwag、WinoGrande、MMLU 上，以 Llama 3 8B / 3.1 8B 为骨干，STILL 取得全部线性化方法中的最优平均分。Llama 3.1 8B 下，MMLU 从 Liger 的 46.9 大幅提升至61.3；不含 MMLU 的平均分 74.7，甚至反超原版全注意力模型（73.2）1.5 个点。
表 1：常识与通用推理任务对比。STILL 在 Llama 3 8B 与 Llama 3.1 8B 上均取得线性化方法中的最优平均表现。
S-NIAH 大海捞针：
4K 下 86.2 分，基线几乎全军覆没
在相同甚至更小的缓存预算下（STILL 缓存总量不超过基线窗口大小），STILL 在 0.5K–4K 各长度全面领先，且差距随长度拉大：4K 时 STILL 达86.2，而 LoLCATs 仅 8.8、Liger 0.0、SWA 5.8—— 相对最强基线提升+77.4。
RULER 全基准：
47.9 vs 7.2 / 2.1
在需要长程记忆与状态追踪的 8 项 RULER 子任务上（4K 上下文），STILL 以 128 滑窗 + 896 总缓存上限（基线窗口为 896）取得最高平均分47.9，大幅超过 LoLCATs（7.2）与 Liger（2.1），也高于 Mamba2（44.7）。
表 2（左）：S-NIAH 任务在 0.5K–4K 上下文、相同缓存预算下的准确率对比。表 3（右）：4K 上下文 RULER 全基准对比。
BABILong 长文推理
在严格 256 token 总缓存预算下，STILL 在所有长度上全面最优：4K 时 QA1 从 LoLCATs 的 3 提升至10，QA5 从 6 提升至24，展现出更强的长程证据聚合能力。
表 4：BABILong 基准在 0K–4K 上下文长度下的对比。
与层间策略兼容：
16K 下 S-NIAH-1 满分
将 STILL 的层内机制嵌入 KL-LS 层间框架（Llama 3.2 1B，25% 层保留全注意力）：STILL 在 4K/8K/16K 上 S-NIAH-1全部满分 100，16K 下 S-NIAH-2 达 74.0（LoLCATs 仅 8.6，+65.4），RULER 总分 27.20，超出 Zebra-Llama（13.37）13.83 分。
表 5：层内 - 层间混合架构在 RULER 基准 4K–16K 上的结果，所有模型均从 Llama 3.2 线性化而来。
效率：16K 预填充耗时仅为 Softmax 的 17%
在单张 H200 上实测 1K–64K：
图 5：预填充效率。1K 到 64K，STILL 在延迟与显存上全面占优。
图 6：解码效率。STILL 显存近乎恒定，长上下文解码延迟更低。
消融：每个组件都不可或缺
结语
STILL 重新回答了「什么是真正的同层混合注意力」，并给出了完整解法：
仅用 0.04B token 的训练成本，STILL 不仅在常识推理上反超原版全注意力模型，更把此前线性化方法在 16K 上下文上「全军覆没」的长文能力救了回来（S-NIAH-1 满分 100），同时带来 80% 显存削减与 83% 预填充加速。代码已开源，欢迎试用与拓展！
