On-Demand Attention：模型知道自己什么时候需要回头看

一个日常类比

你在写一封长邮件。大部分时候，你的注意力只集中在当前这段话——前一句刚写完，下一句顺理成章。但偶尔，你需要翻回上面去确认一个细节：那个数字是多少？那个名字怎么拼？

如果你每写一个字都要把整封邮件从头读一遍，那太慢了。但如果你完全不回头看，写到后面可能就和前面矛盾了。

这就是长上下文大模型面临的困境。

全注意力（Full Attention）：每生成一个 token，都要重新看一遍整个上下文。准确，但慢——上下文越长，每步成本是 O(n)。

局部注意力（Local Attention）：只看最近 2048 个 token。快，但容易"失忆"——前面提到的重要信息可能被忽略。

On-Demand Attention（ODA）：先做局部计算，然后让一个轻量级"召回头"（recall head）判断——"这一步需要回头看吗？"如果需要，再做一次全注意力计算；如果不需要，就用局部结果。

核心问题：模型能预测自己需要什么吗？

这个想法听起来简单，但有一个关键前提：在决定是否调用全注意力之前，模型必须已经"知道"全注意力会不会有帮助。

但这怎么可能？你还没做全注意力计算，怎么知道它的结果会不会比局部计算更好？

论文的洞察是：模型的解码状态本身就包含了这个信息。

具体来说，召回头读取三个信号：

1. 当前 token 的 embedding（E(x_t)）——这一步在处理什么
2. 当前 Local 计算的隐状态（h_t^L）——局部视角看到了什么
3. 上一步的隐状态（h_{t-1}）——前面累积的上下文

这三个信号经过一个 28.3M 参数的小头部（相比 Qwen3-1.7B 的 1.7B 参数，只占 1.7%），输出一个标量分数 q_t。如果 q_t > 道阈值 θ（默认为 0），就触发全注意力计算。

训练：配对监督

训练数据怎么来？答案是配对计算。

在训练时，对每个位置同时做 Local 和 Full 两种计算，然后比较它们对正确下一个 token 的预测概率。如果 Full 显著好于 Local，召回头就应该学会说"是"；如果差不多，就应该说"否"。

具体的目标函数用了 Huber 回归（对大误差不敏感），并加了一个成本惩罚 λ——每次调用 Full 都有代价，所以只在收益超过代价时才调用。

训练数据：196,608 个样本，在 Qwen3-1.7B 上训练。主模型权重完全冻结，只训练召回头。

关键结果

质量恢复

在 Qwen3-1.7B 上：

ODA 恢复了 Full 和 Local 之间分数差距的 98.8%，但只用了 41.6% 的全注意力调用。

在 LongBench v1 上：

• Full: 37.94
• ODA: 36.82（恢复 92.2% 差距，Full 调用率 70.6%）
• Local: 远低

跨模型泛化

同一个思路在多个模型上都有效：

• Qwen3-8B：91.07 分（Full 92.59，Local 25.43），Full 调用率 47.3%
• Qwen3.5-2B（混合架构）：94.08 分（Full 94.35），Full 调用率 44.3%——只限制 6 个全注意力层，其余 18 层 Gated DeltaNet 保持原生计算
• Gemma-4-12B-it：跨模型家族也有效

学到的时机 vs 随机调用

这是最关键的对照实验：不是"调用多少次 Full"重要，而是"什么时候调用"重要。

在 5 个 RULER16K 任务上，ODA 以 41.33% 的调用率得到 88.96 分；随机以 40.99% 的调用率（相同频率）只得到 32.79±0.95 分。Full 基线是 88.63。

也就是说：同样调用 41% 的 Full，学到的时机几乎追平 100% Full，而随机调用和 Local 差不多。

这证明了召回头确实学到了有意义的"时机判断"，不是在随机猜测。

计算节省

在 128K 上下文、12.5% Full 调用率的条件下：

• ODA 的 FLOPs 只有 Full 的 24.26%——节省 75.74%，计算比 4.12 倍
• 在 vLLM 实测中，吞吐量从 75.54 提升到 149.52 tokens/s——1.98 倍加速

但注意：在 4K 短上下文下，ODA 反而比 Full 慢 15.8%——因为 Local 的额外开销在短上下文下不划算。ODA 是长上下文专用优化。

更深的洞察

1. "正确性"和"访问收益"是两件事

论文有一个很微妙的发现：在 1342 个 Local 已经预测对 top-1 token 的位置中，Full 在 718 个位置提高了这个 token 的概率，在 437 个位置反而降低了。

也就是说：即使 Local 猜对了 token，Full 仍然可能提供更好的概率分布。反过来，即使 Full 提供了正的 NLL 收益，它也不一定改变 top-1 预测。

这意味着"召回"不只是"纠正错误"——它是优化整个分布，而不仅仅是 top-1 准确率。

2. 召回头学到的不是"不确定性"

一个自然的假设是：召回头只是在检测"Local 不确定"的位置。但论文做了对照：

• 在 675 个 Local 预测错误的位置中，召回头的 benefit-sign AUROC 是 0.643
• Local 的 entropy 的 AUROC 只有 0.486

也就是说，召回头学到的信号和简单的不确定性度量不同。它学到的是"全注意力能带来多少改善"，而不是"Local 有多不确定"。

3. 输入消融揭示的决策机制

三个输入信号的消融实验很有意思：

• 只用 H+E（历史 + 当前 token）：几乎总是调用 Full（99.73%）——没学到"什么时候不需要"
• 加上 L（当前 Local 结果）：Full 调用率降到 52.58%——Local 的计算结果是关键信号

这说明：判断"需不需要回头看"的关键信息，恰恰来自"先快速看一眼"的结果。你必须先做 Local 计算，才能知道这一步是否需要 Full。

这和人类的阅读经验一致：你先快速扫过当前句子，如果觉得和前面有矛盾，才翻回去仔细看。不是每句话都仔细看，也不是完全不看——而是先快看，再决定。

4. 与其他"条件计算"的区别

ODA 和之前的条件计算方法（CoLT5、AHA、L2A）的关键区别：

• 不修改主模型权重——预训练模型完全冻结
• 不修改架构——只加一个外部小头部
• 保留完整 KV cache——Full 调用时能访问全部历史，不是压缩或截断的版本
• 学的是"时机"而非"范围"——不是决定"看多少"，而是决定"什么时候看"

局限

• 短上下文不适用：4K 以下 ODA 反而更慢，Local 的额外开销不划算
• 召回头需要训练：虽然小（28.3M），但需要 196K 样本的配对训练数据
• 只测了基础模型：post-training 后的行为没有评估
• 阈值需要调：默认 θ=0，但不同应用场景可能需要不同阈值

启示

"判断-闸门解耦"的又一例

ODA 的架构是"判断-闸门解耦"的典型实例：

• 判断：召回头预测"全注意力是否有帮助"
• 闸门：根据预测决定是否执行全注意力

这和之前讨论过的 DoM（用 hidden state 检测 reward hacking）、NavTrust（用 benchmark 分数预测真实可靠性）是同一条思路：用一个轻量级、专门的判断器，决定是否触发昂贵的计算。

"先快看，再决定"是通用模式

ODA 的"先 Local 再决定 Full"策略，和 speculative decoding（先小模型生成，再大模型验证）是同构的。这种"先低成本试探，再按需深入"的模式，在计算资源紧张的场景下几乎是通用的优化方向。

"模型知道自己需要什么"

这是更深的洞察：模型的中间状态已经包含了"我需要什么"的信息。召回头只是把这个信息提取出来。这和可解释性领域的"线性探针"（linear probe）发现一致——hidden state 里藏着比 CoT 更多、更可靠的信息。

• 论文：https://arxiv.org/abs/2609.20734

一句话总结：On-Demand Attention 训练了一个 28.3M 参数的召回头，在 Qwen3-1.7B 上以 41.6% 的全注意力调用率恢复了 98.8% 的长上下文性能，在 128K 上下文下实现 1.98 倍解码加速。核心洞察是：先做局部计算，再用 Local 结果判断是否需要全注意力——和人类"先快看，再决定是否回头看"的阅读策略一致。