本文探讨了AI大模型中上下文长度的重要性，分析了当前模型在处理超长上下文时面临的计算资源、内存消耗和宽带限制等挑战，并介绍了稀疏注意力机制、滑动窗口、降采样等解决方法。同时，文章也强调了模型训练和推理方面的优化策略，如使用GQA替换MHA、低比特量化等技术，以及通过测试案例展示了超长上下文在实际应用中的价值。

---

@ 目录

• 一、背景
• 二、为什么超长上下文很重要
• 三、为什么会有上下文限制

• 3.1、计算资源限制
• 3.2、内存消耗
• 3.3、宽带限制

• 四、如何支持更长上下文

• 4.1、稀疏注意力机制
• 4.2、滑动窗口
• 4.3、降采样

• 五、超长上下文测试的很有趣的例子

一、背景

• 这篇文章我会给你介绍大模型中非常重要的一个技术指标：上下文长度。我们知道，AI 问答类产品和传统问答类产品，在使用层面上有一个很重要的区别就是上下文，AI 问答产品可以根据上下文进行更加深层次的问答，给我们的感觉就是很智能，很人性化。
• 前阵子非常火的 AI 问答产品 Kimi，就是以超长上下文著称，比如支持 200 万字长文本输入，一次性输入几本书，可以准确进行内容整理输出；再比如 GPT-4-turbo，支持 128K 上下文长度，还有像 6B，最新版本已经支持 32K 上下文长度。
• 以前各大厂商在宣传自己的产品的时候，讲的最主要的一方面就是参数规模，现在除了参数规模，还经常提的就是支持的上下文长度，所以业界有人笑称，大模型卷完参数，开始卷上下文了。今年 3 月份，阿里云通义千问已经将上下文长度直接提升至 1000 万字，是 Kimi 的 5 倍，而且免费提供给客户使用，一下子卷到了极致。

二、为什么超长上下文很重要

• 用 Kimi 所在公司月之暗面（Moonshot）的创始人杨植麟的话说，Lossless long context is everything，杨植麟判断 AI 产品的终极价值是提供个性化的交互，⽽lossless long-context 是实现这⼀点的基础。模型的微调不应该⻓期存在， 用户跟模型的交互历史就是最好的个性化过程。

• 我们知道，在传统计算中有两个核⼼原则：计算是按照顺序逐步进⾏的，每⼀步都有有限的复杂度容量。⼤型语⾔模型可以被看作是进化了的计算实体，所以⼤模型能够达到的最⾼⽔平由两个因素决定：一个是单步骤的容量，即模型在每⼀步中可以处理的信息量，对应参数量；另一个是执⾏的步骤数，也就是模型能够处理的上下⽂⻓度。

• 目前，大部分大模型研究都集中在增加模型参数量的大小，即增强「单步骤容量」。但是在保持⼀定参数量的同时放大另⼀个维度，即「步骤数」或上下文长度也同样重要。上下文窗口就像⼤模型应用的新「内存」，窗口越大，用户能用它做的事情就越广泛；同时，窗口所能容纳的信息越多，模型在生成下⼀个 token 时可以参考的信息就越多，「幻觉」发生的可能性就越小，生成的信息就越准确。

• 举几个很实际的例子。

  招聘场景，在系统上传 50 份简历，每份简历都是⼀个 PDF⽂档，50 个简历上传之后，提要求，⽐如要具备⼀定的英语⽔平，有⽐较强的技术背景等，智能助⼿在阅读完这 50 份简历之后，⻢上就给出来了 Top5 推荐，最后 Top2 的两个⼈刚好就是最后实际被录⽤的。

  再比如打⻋发票整理，直接上传 50 个发票，智能助⼿可以⾃动整理你过去⼀个⽉的⾏程到底是什么样的，直接整理出来⼀个报销⽂档。

  ⼜或者有好⼏篇英⽂论⽂，你想做⽐较、分析，智能助⼿可以利⽤它的⻓⽂本能⼒，很好地完成任务。

三、为什么会有上下文限制

3.1、计算资源限制

• 就拿 Transformer 架构来讲，前面文章讲过注意力机制，所有的输入会被切分成一个一个 token，注意力机制就是在预测下一个词的时候，可以计算当前 token 和其他 token 的关系，如果输入序列非常大，切分出来的 token 就多，注意力机制计算的时候，需要的算力就会更大。
• Transformer 模型中自注意力机制的计算量。会随着上下文长度的增加呈平方级增长，比如上下文长度增加 32 倍时，计算量实际会增长1000 倍，这意味着如果只是用朴素的方式实现，用户需要等待极其长的时间才能获得反馈，所以如果想要获得快速反馈，那么必须增加算力，这是核心原因。

3.2、内存消耗

• 随着输入序列长度的增加，模型在每个处理步骤中需要保留更多的中间状态信息。这会显著增加 GPU 或其他处理器的内存需求。在实践中，这个问题限制了模型能够处理的最大序列长度，以适应可用的硬件资源。

3.3、宽带限制

• 以 1750 亿参数的 GPT-3 为例，目前最高单机配置（80GiB * 8）最多只能支持 64k 上下文长度的推理，超长文本对显存的要求可见⼀般。这带来了极大的显存带宽压力：英伟达 A800 或 H800 的显存带宽高达 2～3TB/s，但面对如此长的上下文，一般方法的生成速度只能达到 2～5tokens/s，使用的时候极其卡顿，体验很糟。

四、如何支持更长上下文

4.1、稀疏注意力机制

• 稀疏注意力机制是一种优化过的注意力计算方法，使用全连接注意力时，每个元素都会与序列中的其他元素计算注意力关系，而在稀疏注意力机制中，元素只与序列中选择的部分元素建立这种关系。这种选择可以基于预定义的模式，比如局部窗口、固定模式等，也可以是通过学习得到的动态模式。
• 稀疏注意力机制的主要优势是显著降低了计算复杂度和内存需求，使模型能够高效地处理更长的序列。这一机制特别适合需要模型理解和处理大范围上下文信息的应用。

4.2、滑动窗口

• 滑动窗口是一种简单的限制方法，用于减少自注意力计算的复杂度。在这种方法中，每个令牌只关注它附近的一小部分令牌。例如，如果设置窗口大小为 5，那么每个令牌只会与它前后两个位置的令牌进行交互（总共 5 个令牌）。这种方法能有效降低计算量，因为它限制了每次计算涉及的令牌数量。

• 滑动窗口和稀疏注意力都是减少注意力计算的方法，不过二者有区别。

  计算复杂度：滑动窗口通过简单地降低每个令牌关注的范围来减少复杂度，而稀疏注意力通过更智能的选择关注点来优化计算。

  灵活性：滑动窗口技术相对固定，每个令牌的关注范围是固定的。稀疏注意力则更灵活，可以根据任务的需要调整关注的范围和模式。

  实现难度：滑动窗口技术实现起来相对简单，而稀疏注意力可能需要复杂的数据结构和算法，尤其是在动态选择关注点的时候。

4.3、降采样

• 降采样就比较粗暴了，就是一种数据减少技术，减少输入序列，同时尽量保留重要信息，比如只选择序列中的某些部分单词，或通过合并相邻的元素，来创建一个更短的序列。比如当我们输入一本 20 万字的 PDF 书籍时，通过一定的策略，只取其中我们认为重要的内容，经过处理后，喂给模型的可能只有 2 万字。这样的方法优势劣势都很明显，优势就是可以让模型支持更长的上下文，劣势就是有可能丢失有用的信息，使模型的性能下降。

• 以上这些方式是比较常见的，不过也有人认为，这些都是解决上下文长度问题的“技术捷径”，牺牲的是模型的性能，因为无论是稀疏注意力、滑动窗口还是降采样，都是主动丢弃不重要的数据，那么在评估不重要的数据过程中，很有可能产生误判，从而影响模型性能。

• 那究竟什么方法不是捷径呢？在月之暗面披露的关于 Kimi 如何解决上下文长度问题的技术细节中，提到了这样的方式，我们一起来看下。

• 1、模型训练方面

  在传统的 Tensor 并⾏、Data 并⾏、Pipeline 并⾏基础上，增加了多项基于 Seqence 维度的并⾏策略，提升了并⾏效率。利⽤定制版的 Flash Attention、Fuse Cross Entropy、CPU offload 等技术⼤幅度降低了显存压⼒。还使⽤了创新的训练⽅法，针对性地调配了多阶段式训练⽅法，让模型保留基础能力的前提下，逐步激活⻓上下⽂的能⼒。

• 2、模型推理方面

  ⽤GQA 替换 MHA：让 KVCache 所占⽤的显存⼤⼩⼤幅度缩⼩。

  2Paged attention：保证显存的充分利⽤。

  低⽐特量化：通过 W8A8，最多可以把推理速度在上述基础上再提升⼀倍。

  MoE & KVCache 裁减：让显存占⽤在上述基础上再下降⼀倍。

五、超长上下文测试的很有趣的例子

• 在⽂本语料中藏⼊⼀个与⽂本语料不相关的句⼦，比如在整本《西游记》⾥放⼊⼀句只会在 《红楼梦》里出现的话，然后看大模型能不能通过自然语言提问的方式，即 Prompt，把这句话准确地提取出来。藏起来的那句话就是“针”，《西游记》就是大海。
• 国外有一个大模型开发者 Greg Kamradt，在 GPT-4 Trubo（128K）以及 Claude2.1（200K）上进行过测试，效果并不好，Kimi 的工程师用了相同的方法测试，经过几轮的测试，发现效果时好时坏，且有一些规律：效果好坏取决于 Prompt 和内容（即“大海”和“针”），而且并没有强一致的结果。
• 经过几轮测试，Kimi 的工程师发现，除了大模型本身的长文本记忆能力和指令遵循能力，其实还有两个关键点对结果起了明显作用： ⼀是藏在“大海”中的“针”是否完全没有歧义；⼆是向⼤模型提问的 Prompt 写得是否足够明确。

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】