MiniMax M2模型采用全注意力机制，放弃线性或稀疏注意力技术。开发团队认为，尽管后者能节省计算资源，但全注意力在工业应用中更高效，能提升模型性能。这一决策旨在优化实际部署效果，推动AI技术发展。
月之暗面团队推出Kimi Linear模型，在AIGC领域实现技术突破。该模型采用混合线性注意力架构，处理长上下文速度提升2.9倍，解码速度提高6倍，性能超越传统Softmax注意力机制，特别在上下文处理和强化学习等场景表现优异。
月之暗面推出“Kimi Linear”混合线性注意力架构，在短长距离信息处理和强化学习中性能优于传统全注意力方法。其核心Kimi Delta Attention优化了Gated DeltaNet，引入高效门控机制，提升有限状态RNN的记忆管理效率。架构由三份KDA和一份全局MLA组成。
月之暗面推出革命性“Kimi Linear”混合线性注意力架构，在短长距离处理及强化学习中超越传统全注意力方法。核心创新“Kimi Delta Attention”优化门控机制，显著提升有限状态RNN记忆效率。独特架构由三部分Kimi模块构成，实现多场景性能突破。
快速且内存高效的精确注意力机制
MoBA 是一种用于长文本上下文的混合块注意力机制，旨在提升大语言模型的效率。
FlashInfer是一个用于大型语言模型服务的高性能GPU内核库。
高效长序列大型语言模型推理技术
minimax
-
Input tokens/M
Output tokens/M
1M
Context Length
$1
$8
4M
moonshotai
Kimi Linear是一种混合线性注意力架构，在各种场景下包括短、长上下文以及强化学习扩展机制中，均优于传统的全注意力方法。它能有效解决传统注意力机制在长上下文任务中效率低下的问题，为自然语言处理等领域带来更高效的解决方案。
Kimi Linear是一种高效混合线性注意力架构，在短上下文、长上下文和强化学习场景中均优于传统全注意力方法。它通过Kimi Delta Attention (KDA)机制优化注意力计算，显著提升性能和硬件效率，特别擅长处理长达100万令牌的长上下文任务。
ServiceNow-AI
Apriel-H1-15b-Thinker 是一款拥有150亿参数的混合推理模型，结合了Transformer注意力机制和Mamba状态空间层，在推理、数学和编码等方面表现出色，具备高效性和可扩展性。
FlameF0X
i3-80M是一种创新的混合架构语言模型，结合了卷积/循环层与全注意力层的优势。该模型采用RWKV风格的时间混合与Mamba状态空间动态，在早期层实现高效序列处理，在深层使用标准多头注意力机制进行复杂模式识别。
QuantTrio
DeepSeek-V3.2-Exp-AWQ是基于DeepSeek-V3.2-Exp模型的量化版本，通过vLLM框架实现高效文本生成。该模型引入了DeepSeek稀疏注意力机制，在长上下文训练和推理效率上有显著提升，同时保持了模型输出质量。
cpatonn
Qwen3-Next-80B-A3B-Instruct是通义千问团队开发的高效稀疏混合专家模型，总参数量80B，激活参数量仅3B。该模型采用创新的混合注意力机制和极低激活率的MoE架构，在保持强大性能的同时大幅提升推理效率，原生支持262K上下文长度并可扩展至1M令牌。
unsloth
Qwen3-Next-80B-A3B-Instruct是阿里巴巴通义千问团队开发的最新一代大型语言模型，采用创新的混合注意力机制和高稀疏专家混合架构，在保持80B总参数的同时仅激活3B参数，实现了高效的上下文建模和推理加速，原生支持262K上下文长度并可扩展至1M令牌。
Qwen3-Next-80B-A3B-Thinking-AWQ-4bit是基于Qwen3-Next-80B-A3B-Thinking模型通过AWQ量化技术生成的4位版本，显著提升了模型推理效率。该模型采用混合注意力机制和高稀疏MoE架构，在复杂推理任务中表现出色，支持长达262K标记的上下文长度。
Qwen3-Next-80B-A3B-Instruct-AWQ-4bit是基于Qwen3-Next-80B-A3B-Instruct模型进行4位AWQ量化的高效版本。该模型采用混合注意力机制和高稀疏专家混合架构，支持长达262K tokens的上下文长度，在保持高性能的同时大幅降低计算资源需求。
Qwen
Qwen3-Next-80B-A3B-Instruct是Qwen3-Next系列的基础模型，通过创新的混合注意力机制、高稀疏性专家混合层等技术，实现了在长文本处理上的高效建模和推理加速，在多个基准测试中展现出卓越性能。
fredzzp
Open-DCoder 0.5B 是一个基于Qwen2架构的代码生成掩码扩散模型，参数量为5亿。该模型采用双向注意力机制和创新的扩散生成方法，专门用于代码生成任务。
ubergarm
Kimi-Dev-72B的量化版本，采用先进的非线性最优量化和多头潜在注意力机制，减少存储和计算需求。
tiiuae
Falcon-H1是由阿联酋技术创新研究所开发的新型大语言模型家族，采用结合Transformer注意力机制和状态空间模型（SSMs）的混合架构，具备出色的长上下文记忆能力和计算效率。该系列模型提供从0.5B到34B参数的多种配置，在推理、数学、多语言任务等方面表现卓越。
Featherless-Chat-Models
Mistral-7B-v0.1是一个拥有70亿参数的预训练生成式文本大语言模型，在多项基准测试中表现优于Llama 2 13B模型。它采用了先进的Transformer架构设计，包括分组查询注意力和滑动窗口注意力机制。
inclusionAI
玲珑线性预览版是由InclusionAI开源发布的混合线性稀疏大语言模型，总参数量17.1B，激活参数量3.0B。该模型基于混合线性注意力机制实现长文本推理，在推理过程中具备近线性计算复杂度与近恒定空间复杂度。
wubingheng
Doge模型采用动态掩码注意力机制进行序列转换，可选择多层感知机或跨域专家混合进行状态转换。
MagicaNeko
一个基于UNet架构并集成空间注意力机制的卫星影像分割模型，专门用于处理多光谱数据中的云层检测任务。
SmallDoge
Doge模型采用动态掩码注意力机制进行序列转换，并可使用多层感知机或跨域专家混合进行状态转换。
amal90888
基于UNet架构的医学影像分割模型，专为CT扫描中新冠肺炎感染肺区域的自动分割而设计，增加了注意力机制以增强对感染区域的关注。
Sony
AKI是一种多模态基础模型，通过解锁LLM中的因果注意力机制实现跨模态互注意力(MMA)，解决视觉语言错位问题，无需增加额外参数和训练时间。
Transformers%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
