导读
稀疏注意力减少了主注意力的计算，负责筛选 token 的索引器却可能成为长上下文推理的瓶颈。小红书自研 DoSA 利用分数上下界，提前排除不可能进入 Top-K 的候选，再配合 GPU 内核优化减少实际耗时。在 GLM-5.2 的测试中，平均约 97% 的查询—key 候选组合无需进行全头精算。在约 1M token 的测试中，Dots3-Note-preview、GLM-5.2 和 DeepSeek-V3.2 的首 token 延迟相对各自的 SGLang 基线分别减少约 37%、46% 和 48%。
01
注意力稀疏了，为什么还是慢？
把一本长书或整套代码交给大模型，回答往往不会马上开始。生成第一个 token 之前，模型需要先处理输入，完成预填充。这段首 token 延迟（TTFT），就是用户感受到的首字等待。上下文越长，等待越久。
DeepSeek-V3.2 提出的 DSA 为主注意力减轻了负担：先由索引器（Indexer）给候选 token 打分，选出分数最高的 K 个，再让主模型集中计算这些内容。问题在于，Indexer 自己仍要遍历候选，并通过多个索引头计算分数。
在本文约 1M 上下文的测试中，Dots3-Note-preview、GLM-5.2 和 DeepSeek-V3.2 的 Indexer 分别占预填充 GPU 时间的 81.6%、73.0% 和 90.8%。负责节省注意力计算的筛选步骤，已经成为主要耗时。
图 1｜长上下文预填充中的 Indexer 成本。左：占 GPU 时间的比例，包含查询／键准备、打分和 Top-K；右：占理论矩阵 FLOPs 的比例。
层间复用、减少索引头或按块共享，可以降低筛选成本，但这些近似方法可能改变选中的 token。我们的目标是保留原始选择结果。DoSA 提前证明一部分候选不可能进入 Top-K，跳过它们的完整打分，把计算集中到仍有机会入选的候选上。
02
都做 Indexer 加速，DoSA 有何不同？
表 1｜稀疏注意力的索引器加速路线。近似路线可能改变原始 Top-K 选择结果；LiteTopK 通过算子融合减少中间写回，DoSA 进一步利用数学上下界跳过不必要的全头打分。
上述层间复用、减少索引头和按块共享等路线，通过减少独立打分或改变选择粒度来节省计算，但不保证与原始逐层、逐查询的完整评分 Top-K 等价。即使下游评测没有明显下降，也不能据此认定选择过程无损。
DoSA 的本质区别，是在保持原始评分函数的前提下，用数学上下界证明哪些计算可以省掉。少量头只负责构造保守上界，不会替代最终评分；只有被证明不可能进入 Top-K 的候选才被排除，其余候选仍用原始全部头精算。
03
先判断能否入选，再决定是否精算
理解 DoSA，只需要抓住两个量：进入 Top-K 的“门槛下界”，以及每个候选的“得分上界”。当一个候选的最高可能得分，仍低于这个门槛，它就可以被安全排除。
图 2｜DoSA 的筛选与精算流程：计算筛选点积，用上界筛除候选，对保留候选计算全部头，再按原始规则归约分数并写回。灰色和紫色分别表示省去的计算与写回。
例如，要选出前 3 名，已知有 3 个候选的分数都不低于 80 分，最终第 3 名就至少有 80 分。另一个候选即使按上界估计也只有 75 分，便可直接排除。做出这个判断，并不需要先找到真正的前 3 名。
DoSA 先选出一组种子，用当前查询的全部索引头重新打分。种子中第 K 大的分数，就是门槛下界，因为已经有至少 K 个候选达到这个分数。种子可来自历史入选频次，也可在冷启动时由少量锚点查询产生；它们都需要针对当前查询重新计算分数。
接下来，为每个候选估计一个不会低于真实分数的上界。Indexer 的总分由多个头的贡献加权汇总，DoSA 保留少量重要头精确计算，再分别处理剩余的正、负权重头。
正权重头会增加分数。DoSA 复用保留头的点积结果，并为近似残差留出有数学保证的余量，避免低估这部分贡献。负权重头会扣分，因此只扣除能够保证“至少会发生”的部分；通过聚合查询向量，一次额外点积就能给出这样的下界。两部分合起来，构成候选总分的上界。
只有上界严格低于门槛，候选才会被排除；等于门槛的候选仍须保留。剩余候选继续计算全部头，最终按原始分数执行 Top-K。界估得宽松一些，只会多做精算，不会误删可能入选的候选。
种子里高分候选越多，门槛越高；保留头的贡献算得越准，上界往往越紧。两者都能提高过滤率，但准备种子、计算上界也有成本。因此，我们衡量的是完整 Indexer 的耗时，准备工作同样计入。
这里的“无损”，指保持原始评分函数下的精确 Top-K。上界只用于决定哪些计算可以跳过，最终选择仍依据原始分数。GPU 实现还加入数值保护，避免浮点计算误差破坏安全筛选条件。
04
少算之后，还要让 GPU 高效执行
减少点积后，如何让 GPU 更快完成剩下的工作？不同查询留下的候选不同，逐个处理会造成零散计算、重复加载 key 和大量中间结果写回。DoSA 将流程组织为规则筛选、候选精算和紧凑写回。
图 3｜筛选、精算与写回的数据流。蓝、橙色为连续处理的数据块；灰色 MMA 块为省去的全头计算。G2S 表示全局内存到共享内存的传输，A2R 表示负责累加的硬件模块到寄存器的传输。
筛选阶段仍然扫描可见的 key，但只计算上界需要的少量信息。保留头数量相近的查询被编成规则数据块，交给 Tensor Core 做矩阵运算；数据加载与计算通过流水线重叠执行。筛选结果用紧凑的位掩码记录，留给下一阶段使用。
精算阶段利用查询之间的重叠。实现中每 4 个查询组成一组，如果某个 key 被至少两个查询保留，且对整组都可见，就进入共享流：加载一次，为整组查询打分。这会多算少量点积，但能减少重复搬运；其余候选仍按查询分别处理。
写回时，低于门槛的分数直接过滤，只保存有机会参与最终选择的记录。记录采用紧凑分数编码和精确 key ID，先用编码定位 Top-K 边界，再对边界上的候选比较原始分数，保留精确选择。
这也解释了 DoSA 与 LiteTopK 的区别。LiteTopK 融合打分与 Top-K 选择，减少中间数据搬运；DoSA 进一步跳过不必要的全头打分，把计算量也降下来。
05
百万 token 下，收益能有多大？
测试覆盖英文书籍、中文书籍和代码，输入长度从 128K 到约 1M token，主要来自 InfiniteBench，并用 Project Gutenberg 和 SQLite 源码补充。对比基线为 SGLang v0.5.18 和 LiteTopK，Top-K 均取 2,048。SGLang 基线先计算并写回完整候选分数，再执行独立的 Top-K 选择；LiteTopK 通过融合打分与选择减少中间写回；DoSA 进一步利用安全上下界跳过不必要的全头打分。
在 GLM-5.2 的完整 Indexer 微基准中，5 种上下文长度、4 种查询块大小与 3 个输入领域组成 60 种配置，计时包含 query/key 准备。DoSA 在全部配置中均快于两条基线：相对 SGLang 加速 1.12～2.74 倍，相对 LiteTopK 加速 1.17～1.69 倍。到 1M 上下文时，相对 SGLang 的加速达到 2.47～2.74 倍。
图 4｜预填充完整 Indexer 相对 SGLang 的加速比。三行分别为英文、中文和代码；每行比较 4K、8K、16K、32K 查询块，覆盖 128K～1M 上下文。
逐层分析显示，三个领域的平均候选过滤率约为 97%，每个领域的 21 个 Indexer 输出层中，都有 20 层超过 95%。大多数查询与 key 的组合因此可以跳过全头精算。这里的过滤率衡量候选筛选效果，不等同于整个模型的计算量降幅。
图 5｜GLM-5.2 各 Indexer 输出层的平均过滤率。英文、中文和代码三个领域均有 20 层超过 95%，共测试 21 层。
更接近用户体验的是端到端 TTFT。在约 1M 上下文下，结果如下，数值表示基线延迟与 DoSA 延迟之比。
三款模型采用的张量并行度与预填充块大小见表。逐请求测量，并在请求之间清空前缀缓存。加速比为基线延迟除以 DoSA 延迟，延迟降幅为 1 − 1 / 加速比。相对各自的 SGLang 基线，三款模型的首 token 等待分别减少约 37%、46% 和 48%，其中后两者接近减半。不同模型的部署配置不同，表中结果用于比较同一模型内的方法收益。
图 6｜Dots3-Note-preview 的首 token 延迟（越低越好）。采用 TP4、16K 预填充块；约 1M 上下文下，相对 SGLang 加速 1.58 倍，首 token 等待减少约 37%。
图 7｜GLM-5.2 的首 token 延迟（越低越好）。采用 TP8、32K 预填充块；1M 下相对 SGLang 加速 1.86 倍。
图 8｜DeepSeek-V3.2 的首 token 延迟（越低越好）。采用 TP8、16K 预填充块；1M 下相对 SGLang 加速 1.94 倍。
上下文越长，Indexer 在预填充中的耗时占比越高，优化它带来的端到端收益也越大。主注意力和前馈层仍需执行，因此完整请求的加速低于 Indexer 本身。
06
为更长上下文省下计算
DoSA 在保持原始 Top-K 选择结果的前提下，减少了 Indexer 的完整打分。上下界筛选省下计算，GPU 上的数据复用与紧凑写回减少执行开销，两者共同缩短了长上下文请求的首字等待。
这项优化适用于长文档阅读、代码分析等需要输入大量上下文的场景。落到具体服务时，还需结合请求长度、并发方式和部署配置，评估延迟改善能转化为多少吞吐与成本收益。
接下来，我们计划探索头以外其他维度的界，进一步减少计算与访存；也会尝试在训练阶段引入 DoSA，让模型形成更适合安全筛选的分数分布。
///
作者简介
深水｜小红书 Dots 部门，北京大学博士，2026 年 7 月加入小红书。在NeurIPS、ICML等学术会议以第一作者身份发表PiSSA、TransMLA等多篇论文。在DoSA之前曾提出HISA、MISA、LISA、LatentIndex等有损加速方法。
星炼｜小红书 Dots 部门，中科院软件所硕士，2026 年 6 月加入小红书。在MLSys、EMNLP等学术会议以第一作者身份发表过多篇论文，主要研究方向为大语言模型和大模型的算法-系统协同设计。
///
关于团队
我们是公司核心的 LLM 预训练团队，负责下一代基座模型的架构设计与训练系统研发。
团队聚焦：
Scaling Law
优化器与训练稳定性
长上下文与推理能力扩展
高效训练与推理
MoE 与稀疏化架构
我们关注的不只是“把模型做大”。我们更关注：什么样的结构、优化与训练机制，能够让模型更高效地产生智能。
你将获得：
直接参与下一代基座模型核心架构研发
接触真实大规模训练环境，接触最前沿算力环境
深度参与从结构设计到训练落地的完整闭环
与顶尖研究员与工程师协作
理解 frontier model 背后的真实技术问题
招聘官网：
https://job.xiaohongshu.com/social/position/12293
论文与代码
论文链接：
https://arxiv.org/pdf/2610.13990
huggingface：
https://huggingface.co/papers/2610.13990
代码：
https://github.com/llm-sys/dosa-sglang