15%全量Attention！「RTPurbo」阿里Qwen3长文本推理5倍压缩方案

机器之心发布

为什么大模型厂商给了 128K 的上下文窗口，却在计费上让长文本显著更贵？

为什么 Claude 能 “吞下整本书”，但官方示例往往只展示几千字的文档？

为什么所有大模型厂商都在卷 “更长上下文”，而真正做落地的产品经理却天天琢磨 “怎么把用户输入变短”？

这些看似矛盾的现象，其实答案藏在一个长期被技术光环遮掩的真相里：

长序列，正在成为大模型应用里最昂贵的奢侈品

在当前主流的 Full Attention 机制下，计算开销会随着输入长度平方增长，序列一长，处理就变得 “又贵又慢”（见图 1）。针对这一核心难题，阿里 RTP-LLM 团队提出了一种全新的后训练压缩方案：RTPurbo。在不损失模型效果的前提下，实现了 Attention 计算5 倍压缩（见图 2）。

左图 1：长序列 Attention 计算成本瓶颈；右图 2：RTPurbo 极大降低 Attention 计算开销

总的来说， RTPurbo 采用了一种非侵入式的压缩方法：通过分辨 LLM 内部的长程 Attention Head，仅保留关键 Head 的全局信息，对于剩下冗余的 Head 直接丢弃远程 Tokens。这种 Headwise 级别的混合算法以其简洁的方案设计和优越的算子兼容性，极大地降低了大模型在长序列下的推理代价，为新一代 LLM 结构设计提供了一个新的视角和演进方向。

目前，项目模型与推理代码已经发布至 Huggingface、ModelScope 平台，感兴趣的读者可以阅读 RTP-LLM 相应的技术 blog 了解更多细节。

1. https://huggingface.co/RTP-LLM/Qwen3-Coder-30B-A3B-Instruct-RTPurbo
2. https://modelscope.cn/models/RTP-LLM/Qwen3-Coder-30B-A3B-Instruct-RTPurbo

图 3：RTPurbo 采用混合压缩方案，仅有少数 Attention Head 使用全量 Attention）

化繁为简，被低估的 SWA

但在真实落地中，这两条路线都有较明显的共性代价：一方面，它们通常强依赖大量后训练，工程实现与适配成本也更高；另一方面，Linear Attention 在压缩信息后，长序列下的召回能力显著弱于 Full Attention [1]，因此往往需要与 Full Attention 混合使用，带来性能与加速收益的双重上限。此外，Linear / Sparse Attention 的算子与调度设计相对复杂，也进一步影响其在工程生态中的通用性、可维护性与一致性。也正因如此，一些前期工作 [2] 反而把目光投向看似 “简单粗暴” 的 Sliding Window Attention（SWA），例如 gpt-oss 和 MiMo ，这在一定程度上说明 SWA 并非 “权宜之计”，而是一种可规模化复用的工程选择。

在进一步分析现有 LLM 的注意力模式后，团队观察到一个更细粒度的关键现象：绝大多数 Attention Head 天然更偏好局部信息，只有极少数 “长程头” 能在长文本中稳定地定位并召回关键关联信息。基于这一现象，团队提出了一个关键假设：

类似人类的阅读与写作过程，LLM 在处理长文本时，往往会先从长上下文中 “召回” 相关信息，再在相对局部的上下文范围内完成推理并输出答案

换句话说，模型内部可能只有少量 Attention Head 真正在承担 “信息召回” 的职责：它们通过注意力机制把远距离信息搬运到当前的 Residual Stream（信息通道）中，让后续层可以在更局部、更高信噪比的状态下完成推理。这也直接意味着：对于那些并不承担长程依赖的 Attention Head，其实并不需要使用 Full Attention—— 长序列场景存在可观的压缩空间。

为了验证这一假设，团队设计了一个直观的对比试验：

1. 方案一：只有 15% 的长程头使用 Full Attention，剩余 85% 使用 SWA；
2. 方案二：15% 的长程头使用 SWA，剩余 85% 使用 Full Attention。

如表 1 所示，尽管方案二保留了 85% 的 KV cache，但是其长文能力仍然显著劣于方案一。

表 1：方案一只用 15% 的 Full Attention，长文效果显著优于方案二

进一步地，在不做任何微调的情况下，方案一在长文本指标上也非常有竞争力（表 2），几乎无损：

表 2：方案一不经过训练，在 Ruler 上无损

不过，在某些特定的长文任务上，未经微调的压缩模型仍会出现明显的性能退化（见表 3）。其根源在于：压缩前后注意力模式的直接切换会对模型输出造成一定扰动，需要额外训练来 “消化” 这种变化。

表 3：方案一在特殊 benchmark 上仍然存在显著负向

因此，为实现更接近 “无损” 的压缩，团队进一步提出了一个面向 RL 后模型的压缩训练范式：在不依赖高质量标注数据的前提下，仅通过轻量级微调，就能显著提升压缩后模型在长文任务上的表现。

自蒸馏，从根本上解决数据问题

当前主流 LLM 通常采用 “预训练 + 后训练 + RL” 的训练范式，如果直接使用长文 SFT / 预训练语料进行续训，会带来两方面挑战：

1. RL 后模型在经过 SFT 会出现过拟合甚至灾难性遗忘，损伤短文本任务上的原有能力（见表 4）；
2. 高质量的长文本语料难以获取。

表 4：Qwen3-30B-A3B-Instruct RL 后模型继续 SFT 会过拟合，造成灾难性遗忘

为解决这两点，RTPurbo 使用 “模型自蒸馏” 作为关键训练策略：让压缩后的模型对齐原模型输出，从而同时化解数据与能力保留问题：

1. 仅对模型自身的输出进行对齐，避免依赖特定领域的问答数据，从而确保短文本下游指标基本无损；
2. 只需使用长文本预训练语料即可完成训练，使模型快速适应 headwise 稀疏的工作模式。

实测中，仅使用约 1 万条 32k 长度的预训练语料（训练时间小时级），RTPurbo 就能让长文任务表现与原模型持平。

结果对比

在长文本测试场景下，RTPurbo 仅保留约 15% 的 Attention Heads 使用 Full KV cache，压缩后的 Qwen-Coder-Plus、Qwen3-30B-A3B-Instruct 在多项长文指标上可与未压缩模型齐平，充分验证了压缩后模型的精度保障。

更重要的是，这种压缩并非以牺牲通用能力为代价。在多项短文本（通用）Benchmark 上，采用自蒸馏范式训练后的模型并未出现性能衰减，原有对话、推理和代码理解等能力都得到了良好保留。

这表明，RTPurbo 不仅是一种单一模型的 “特定优化技巧”，而是一套具有良好可迁移性和通用性的长序列加速方案，可为更大规模、更多架构的 LLM 提供高性价比的推理加速路径。

从大模型可解释性到 LLM 压缩

早期可解释性工作 [3] 已指出：模型内部存在很强的 “召回” 机制，一部分特定 Attention Head 能稳定定位前文相关信息。团队成员的前期工作 [2] 也观察到这些 Head 在长文场景仍保持类似行为。

与此同时，在 [4] 中，作者指出 Softmax 本身在长序列存在熵增的问题。更具体的，随着序列变长，每个 Token 的注意力不可避免的变得更加弥散（信噪比降低），如下图所示：

图 4：Attention 在长序列下存在信噪比下降的问题

因此，为了避免远程信息干扰模型本身的推理能力，LLM 内部实现了一种非常巧妙的机制：

• 多数 Head 只处理局部信息，以获得更高信噪比；
• 少数 Head 负责从远处 “召回” 关键信息并搬运到当前位置，使后续层能在局部范围内完成推理。

这与 RTPurbo 的 headwise 设计高度一致：把 “全局召回” 能力集中保留给少量关键 Head，其余 Head 则用工程收益更稳定的 SWA 来承载。

RTP-LLM：RTPurbo 在长文上的极致性能优化

图 5：RTPurbo HeadWise Attention 性能加速结果，图上结果仅使用 15% 的 Full Attention

RTPurbo 按固定比例划分 SWA Head 与 Full Head 虽然直观有效，但工程上必须解决一个问题：不同 Head 计算模式与计算量不一致，会导致负载不均衡，影响 GPU 并行效率与端到端吞吐。

为此，RTP-LLM 围绕该不均衡在算子层与框架层做了针对性优化，核心包括：

• Full Attention Head 的 PTX 级优化：对仍需全量计算的 Full Head 深入 PTX 指令层，利用 gmma::mma_async_shmA 等异步拷贝与矩阵乘指令提升效率；融合 IO warps 与 P/V 计算阶段，优化 Ping-Pong 流水与调度，减少空转等待。
• 稀疏度感知的负载均衡调度：针对 Tail Latency，采用稀疏度感知动态调度（如反向拓扑排序），优先分配重 tile 给 SM，使各 SM 更同步完成任务，降低尾延迟、提升吞吐。
• SWA 的高效实现：避免传统 SWA 常见的 “三段式 KV 拼接” 或 “Custom Mask” 做法（访存与调度开销大），通过重塑数据布局与计算路径减少冗余访存与额外算子开销。
• 用 CP（Context Parallel）替代 TP（Tensor Parallel）：在 headwise 稀疏场景下，TP 易导致算力利用率低且不够灵活；采用 CP 让单卡完成全部 head 的 attention 计算，提高 GPU 利用率，并通过计算 - 通信重叠降低通信开销。

综合以上优化，RTP-LLM 能将 Attention 稀疏带来的理论收益稳定、可复现地转化为端到端加速；在 256k 长序列下实现单算子最高 9× 加速（见图 5，图中仅 15% Head 使用 Full Attention）。

团队介绍

RTP-LLM 是阿里巴巴智能引擎团队自研的高性能大模型推理引擎，支持了淘宝、天猫、高德、饿了么等核心业务的大模型推理需求。智能引擎源自阿里巴巴搜索、推荐和广告技术，是阿里 AI 工程领域的先行者和深耕者。团队专注于 AI 工程系统的建设，主导建立了大数据 AI 工程体系 AI・OS，持续为阿里集团各业务提供高质量的 AI 工程服务。

RTP-LLM 项目已开源，欢迎交流共建： https://github.com/alibaba/rtp-llm

参考文献：

[1]: Repeat After Me:Transformers are Better than State Space Models at Copying.

[2]: RazorAttention: Efficient KV Cache Compression Through Retrieval Heads

[3]: In-context Learning and Induction Heads

[4]: 苏建林，“注意力机制真的可以集中注意力吗？”，https://www.spaces.ac.cn/archives/9889