English(EN) Adamas: Hadamard Sparse Attention for Efficient Long-Context Inference

Adamas 稀疏注意力机制提升 LLM 长上下文推理效率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-09 05:00

研究人员开发了一种名为 Adamas 的新型稀疏注意力机制，旨在提高大型语言模型长上下文推理的效率。Adamas 利用 Hadamard 变换、分桶和 2 位压缩来创建紧凑的表示，并采用轻量级估计方法来选择相关 token。评估表明，Adamas 在自注意力机制和端到端解码方面可以实现显著的加速，同时在复杂推理任务上保持与全注意力机制相当的性能。 AI

影响 Adamas 提供了一种降低长上下文 LLM 计算成本的新方法，有可能使需要广泛上下文的应用得到更广泛的应用。

排序理由该集群描述了 arXiv 论文中提出的一种用于提高 LLM 效率的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了 arXiv 论文中提出的一种用于提高 LLM 效率的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Siyuan Yan, Guo-Qing Jiang, Yuchen Zhang, Xiaoxing Ma, Ran Zhu, Chun Cao, Jingwei Xu · 2026-11-09 05:00

Adamas：用于高效长上下文推理的Hadamard稀疏注意力

arXiv:2510.18413v2 Announce Type: replace Abstract: Large language models (LLMs) now support context windows of hundreds of thousands to millions of tokens, enabling applications such as long-document summarization, large-scale code synthesis, multi-document question answering an…

本文如何被排名

报道来源 [1]

Adamas：用于高效长上下文推理的Hadamard稀疏注意力

相关实体

相关话题