热点事件持续更新
研究提出结构化长上下文注意力SMat-Attention
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
2026年9月30日，研究人员在arXiv上发布论文，提出用于结构化长上下文序列建模的结构化矩阵注意力机制SMat-Attention。该方法通过VC维数d调控因果掩码的路由结构，在全注意力与线性注意力之间建立可调权衡。对于长度为T的序列，SMat-Attention的硬路由计算复杂度为O(T^{2-3/d}+T)；在流式解码中，仅需O(T^{1-1/d})的缓存状态即可实现单token常数时间解码。
AI 根据报道生成 · 9 小时前更新
最新进展9月30日 12:00
研究提出SMat-Attention，通过VC维数调控路由结构并降低解码缓存复杂度。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv 人工智能SMat-Attention：结构化长上下文序列建模
研究提出结构化矩阵注意力 SMat-Attention，通过 VC 维数 $d$ 调控因果掩码的路由结构，在全注意力与线性注意力之间建立可调权衡。对序列长度 $T$，其硬路由计算复杂度为 $O(T^{2-3/d}+T)$，在流式解码中仅需 $O(T^{1-1/d})$ 缓存状态即可实现单 token 常数时间解码。
本事件热度走势
当前热度 8·可比范围峰值 9（9月30日 14:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。