热点事件持续更新
研究者提出基于泰勒展开的线性时间Transformer
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
2026年10月16日，研究人员在 arXiv 发布研究，提出基于截断泰勒级数展开注意力指数核的扩展注意力机制。该方法将因果历史压缩为与上下文长度无关的固定数量循环状态，成功实现了线性时间复杂度。评测数据显示，该方案在序列长度 N 约为 728 时达到性能交叉点；在 N 为 8192 时可实现 20.8 倍加速，每个 token 的解码延迟恒定为 7.3 微秒；当 N 达到 65536 时，加速比达到 76.0 倍。
AI 根据报道生成 · 9 小时前更新
最新进展10月16日 12:00
研究者提出基于泰勒级数展开的线性Transformer，长序列下最高实现76倍加速。报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv 机器学习扩展注意力：基于泰勒级数实现固定循环状态数的线性时间 Transformer
研究人员通过将注意力指数核展开为截断泰勒级数，将因果历史压缩为与上下文长度无关的固定数量循环状态，实现线性时间复杂度。该方法在 $N \approx 728$ 处达到性能交叉点，在 $N = 8192$ 时实现 20.8x 加速，每个 token 的解码延迟恒定为 7.3 µs，并在 $N = 65536$ 时达到 76.0x 加速。
本事件热度走势
当前热度 8·可比范围峰值 10（10月16日 13:00）·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。