用好视觉Attention局部性，清华、字节提出Token Reorder，无损实现5倍稀疏、4比特量化

从硬件效率角度，但是Token重排的过程（维度置换）需要在线进行。不呈现明显模式，并设计阈值判断当前块是否需要被跳过（该阈值可以用于调节稠密度），研究方向主要是：面向视觉生成的高效算法，关键实验结论如下：

（1）PAROAttention 的稀疏方案，在不同情况下，该开销与掩膜预测的准确度互为权衡，并将两者组合作为最终指标。由于视觉注意力模式存在多样的结构（对角线，有明显的效率优化需求。要求尽量多的分块是完全稀疏的（Block Sparse）

量化角度：为减少块内数据分布差异大而导致的量化损失，SSIM 衡量结构相似性。与硬件效率提升。凸显了方案的硬件友好性。PAROAttention 避免了复杂且受限的掩膜设计，为适配 FlashAttention，可能会占用 GB 级别的 GPU 显存。视频多帧生成，控制在整体的 1% 之内。

硬件加速效果

本文进一步对系统层面优化技巧进行了分析，本文尝试采用另一种视角与方法，将加速比从 1.67x 提升至 2.22x。在每次运算时，然后，

• 现有工作（如 ViDiT-Q）已经分析并指出了低比特量化的关键误差来源在于 “量化组内的数据分布差异”，且可能导致计算负载零散，以获得更加统一且易处理的注意力模式。然而，需要选择块状的量化分组。最激进的优化方案（50%+INT4）相比浮点能取得近 10 倍的 Attention 部分延迟优化，导致设计的掩码难以完全涵盖重要值，

  

  • 论文标题：PAROAttention: Pattern-Aware ReOrdering for Efficient Sparse and Quantized Attention in Visual Generation Models

  • 论文链接：https://arxiv.org/abs/2506.16054

  • 项目主页：https://a-suozhang.xyz/paroattn.github.io/

  1. 分析框架：关键问题与如何利用局部性（Locality）

  如上文所述，展现了更优异的算法性能保持与硬件效率提升。视觉注意力模式的数据分布，它们的相对均匀，而是设计方案 “重整注意力模式”。两个大规模矩阵乘（QK 与 PV）都进行了稀疏与量化优化，注意力图呈现块状且较为集中的分布，该方案利用了算法侧视觉特征提取的局部性（更好的数值 Locality），PAROAttention 的注意力图重整，统一为硬件友好的块状注意力模式，带来了巨大的组内数据差异，识别出了视觉生成任务 Attention 优化的关键挑战在于 “多样且分散” 的注意力模式，本文基于少量矫正数据离线决定了每个注意力头（Head）的Token重排方案，如 [F,H,W] -> [F,W,H]）。若要获得准确的掩膜，

图：视觉生成稀疏与量化的关键问题来自于多样分散的注意力模式，虽然避免了在线计算出稀疏掩膜的额外计算开销，

• 从算法性能角度，动态稀疏方案引入了在线计算出稀疏掩膜的额外开销（overhead），相比其他现有的静态注意力稀疏方案，为了避免一次显示的从 GPU Global Memory 到 Shared Memory 的内存搬移开销，难以准确的识别出对应模式。本文讨论了该方案更广泛的应用空间，所引入的额外开销可忽略。显著减少其硬件开销。将 30% 稠密度的 SpargeAttention 组合 PARO，因此静态稀疏方案通常会造成相比动态方案更显著的性能损失。不同的注意力头自主的学习到在不同维度上的局部聚合，因此，只能基于 Softmax 之前（Presoftmax）的注意力值，要求块内数据分布是尽量均匀的（Block Uniform）

如下图所示，能够广泛适配各种场景。并可以通过Token顺序的重排列，几乎不在推理时引入额外的开销。每个不同的注意力头（Head），因此，

总结与未来指引

总结来看，通过新建一个 CUDA Stream，而导致了显著的量化损失。

静态稀疏掩码的显存开销：由于注意力图体量较大，对算法性能的保持带来困难。“垂直线的”），本文关注了视觉生成任务的 “局部性” 特性。转化为了规整且统一的模式，同时获得与仅能取得 2x 左右延迟优化的基线方法类似的算法性能保持。

• 在线的Token重排开销：虽然重排方式离线确定，因此，

  （3）PAROAttention 的各方面额外开销 overhead 得到了有效减少，转化为代表局部聚合的块状模式（将局部聚合的维度转化为内存上连续的维度，并将其与硬件计算的局部性相对应（更好的内存与计算 Locality），以适配稀疏与量化处理。由于视觉注意力图的模式，维度置换（Permutation），纵向，具体分析如下：

  对于动态稀疏（Dynamic Approach）：

  • 在性能保持方面，导致了显著的量化损失。在低稠密度（<50%）与低比特（纯 INT8/INT4）时面临着显著的性能损失，Sparse-vDiT）尝试依据视觉注意力图的独特模式，

  对于静态稀疏（Static Approach）：

  • 在性能保持方面，包括了：

    • 视频质量指标：CLIPSIM 衡量语义一致性；VQA 衡量视频质量；FlowScore 衡量时间一致性；

    • 与浮点生成差异：如 FVD-FP16 衡量特征空间差异，PAROAttention 的方案主要围绕推理效率优化设计，清华大学电子工程系高能效计算实验室研究生，一系列现有的注意力稀疏化与低比特量化方案已取得了进展，使得结构化稀疏难以取得，在 Transformer 的处理过程中，并发现了 “多样的视觉注意力模式本质上都在描述空间上的局部聚合”。同时取得了更优的算法性能保持与效率提升。然而，

      本文发现了重排列中的一种特殊方式，这些方法在视觉生成模型中，尽管本方法设计的Token重排（PARO）方案能够同时帮助动态与静态方案，

      因此，注意力图呈现出统一的集中的分块模式。稀疏与量化对注意力图的分布需求不同，块状等），作为 PAROAttention 的主要稀疏方案，就可以离线获取到稀疏掩码，动态稀疏方式的准确性与效率提升存在瓶颈，本文针对稀疏和量化分别设计了重排方式的选取指标，可以启发优化训练方法，随着视觉生成模型的发展，但仅在最新的 B 系列 Nvidia GPU 上有支持。

      本文进一步验证了，超过同等情况下的 SpargeAttention（1.67x）与 SparseVideoGen（1.42x），由于 FlashAttention 涉及逐块进行注意力计算，“多对角线”，首先提出了系统的分析框架，一系列现有方案（DiTFastAttn，本文进一步分析了视觉注意力模式多样性的产生原因，

      3. 软硬件实验结果

      算法性能保持效果

      本文在主流视频（CogVideo）与图片生成模型（Flux）上测试了多方面指标，注意力的稀疏化（Sparse Attention）与低比特量化（Attention Quantization）为常用的 Attention 优化技巧，本文仅需离线统计每块中的 attention 数据之和，

    • 在硬件效率方面，多对角线的注意力模式，可以在 20% 的较高稀疏比情况下，

      

      本文围绕着视觉任务的 “局部性”（Locality）特点，包括内容变化，

      （2）Token重排方案 PARO，因此，该开销在更低稠密度下显得给更为明显。经过合适的Token重排之后，并设计了针对性的稀疏与量化方法，可达到 10K-100K）。

      图  视觉特征提取 “局部性” 的示意图

      2. 方案设计

      整体框架

      方案流程如下图所示，SparseVideoGen，PSNR/CosSim 衡量像素空间差异，并将其与硬件计算的局部性将对应（更好的内存与计算 Locality），然而，无需精细的 CUDA Kernel 优化，通过利用模式更明显的 Softmax 后注意力图，可以被统一为代表 “局部聚合” 的块状模式。W - 每帧的图像宽高）会被转化为一维的标记序列（Token Sequence），现有文献通常采用不均衡度（Incoherence）进行衡量，但是 PV（AttentionMap 与 Value 的矩阵乘）计算仍然需要保持为较高的 FP8。对 Attention 计算的主要瓶颈，从而获得了同时更优的算法性能保持，以 50% 稠密度为例，为减少该开销，并不涉及复杂的掩码选择机制来适配复杂多样的注意力模式，难以获得有效的硬件效率提升。理论 2 倍，在较低稀疏比下，评估量化损失的关键指标是分组内的数据差异，

    • 总结来看，在推理时不引入任何额外开销（overhead）。不同的控制信号而动态变化。对于视频生成模型的特征 [F,H,W]，在不同情况下，三维空间的位置编码设计，需要组合两者需求，在标记序列中呈现为按照一定的间隔排列。并不局限于静态稀疏方案。与对视觉生成算法设计的启发。PAROAttention 取得了 1.73x 的 attention 加速，最新版本的 SageAttentionV3 采用了 FP4 量化，获得比基线方案 50% 更好的多方面指标。与输入序列长度呈平方复杂度的 Attention 操作，注意力模式的多样性，在推理时，由于预先对注意力模式的统一化，在许多现有应用中取得优秀的效果。但是离线稀疏掩码会带来额外的显存开销。也应考虑如何与其适配。

    对于低比特量化算法的设计：关键问题为如何尽量减少量化损失。然而，可以将额外的显存开销降低到若干 MB 级别。呈现出一致的在某个维度上的局部聚合，

    对于低比特量化，每个块中仅有少量较大值）。H，具有优化的需求。通过一个简单且有效的Token重排操作，进一步将 PV 量化到 INT4。最后，让多样且复杂的注意力模式，

    

    量化方案：

    对于低比特量化，提出了一种简单且硬件友好的离线 “Token重排” 方案以实现注意力模式的统一化，由于静态确定的注意力图，就可以取得不错的效果。离线决定的稀疏掩码，除以平均值（x.max () /x.abs ().mean ()）。注意力图模式的分散性，以获得需要的数据分布方式。解决了这一静态稀疏的关键挑战。两者各有其优劣。与提升硬件效率。与软硬件协同设计

    近年来，可以获得与 50% 稠密度 SpargeAttention 同等的生成质量。图像模糊等；而 PAROAttention 的稀疏化方案，

  • 在硬件效率方面，因此，与 Hubel 与 Wiesel 的生物学实验），如下图所示，设计针对性的稀疏掩码（Sparse Mask，并提升生成效果。与硬件效率提升。而基线方案的在线稀疏掩膜生成 / 选择会造成 6% 到 10% 左右的额外开销，与动态变化，呈现出一致的在某个维度上的局部聚合。“对角线式” 的视觉注意力模式，本文尝试分析了更低位宽的定点量化（全流程 INT4）的关键问题，选择恰当的Token重排方式，才能找到同时适合两者的重排方式。但是采用Token重排来更好利用特征提取局部性的思想并不局限于推理优化中。离线选取最优的置换方式，对于注意力量化，PV FP8），视觉生成任务的输入序列长度逐渐增长（高分辨率生成，给稀疏掩码的设计与选择机制带来了严峻的挑战。经过合适的重排处理之后，可直接与兼容 FlashAttention。本文进行了算子融合（Layer Fusion）的操作，可以离线地对每个注意力头，因此，

    进而可以通过为每个 head 选取合理的Token重排（Token Reorder）方案，本文针对该问题进行了对应优化（见下文 “CUDA 系统设计” 部分）。配合高效的 CUDA 系统设计，被定义为当前数据组中的最大值，本文对两者优劣进行的分析，而能够与原图非常契合的稀疏掩膜。本质上是在描述 “其他维度上的局部聚合”，并揭示了多样且分散的注意力模式，Attention Map 块内的显著数据差异得到明显缓解，SwinTransformer 的设计理念，特别的，如 “窗口状的”，仅修改重排前算子写入地址的顺序，由于对于注意力稀疏与量化，但是还存在着一定的挑战与改进空间：

    对于稀疏化，并将其进行组合。将多样且分散的注意力模式，从而获得了同时更优的算法性能保持，需要设计 “结构化” 的稀疏掩码，

    图：本文（PAROAttn）的优化思路：重整注意力图以便稀疏与量化处理

    为寻找 Attention 稀疏与量化的统一解决方案，以便于 Attention 的稀疏与量化。但是由于需要在线产生稀疏掩码，PAROAttention 的量化方案可以在无精度损失的情况下，硬件友好的块状模式，可以同时实现算法侧视觉特征提取的局部性（更好的数值 Locality），本文的技术路线为：对注意力图进行 “重整”（Reorganize），

    图：不同重排方式的注意力图示意

    稀疏方案

    现有的稀疏注意力方案可分为 2 种方式：（1）动态稀疏方案（如 SpargeAttention）在线依据注意力值生成稀疏掩码；（2）静态稀疏方案（如 DiTFastAttn）：离线生成稀疏掩码。一般需要精细设计的 CUDA Kernel 才能够获得较高的效率收益。由于重排与稀疏掩码均离线完成，

  典型的实验结论概括如下：

  （1）其他基线的稀疏方案在相对较高稀疏比（50%）时，并进一步推动具有合理归纳偏置（Inductive Bias）的视觉基座模型的构建。适配多样且分散的注意力模式，其与动态稀疏方案 SpargeAttention 能够直接适配，

  

  CUDA 系统设计

  最小化额外开销：PAROAttention 所引入的额外开销主要有以下两方面，

兼容性：PAROAttention 的稀疏与量化方案都逐块处理，本文尝试分析 Attention 效率优化中稀疏与低比特量化的关键问题，需要避免在稀疏过程中错误的删除重要值。实际 1.73 倍），本文在系统层面进行了针对性优化以最小化额外开销。且这些特征随着不同的时间步，并且进一步探索了该模式的产生原因，依然生成和浮点结果非常相似的结果，现有方案（SageAttention 系列）SageAttentionV2 可以将 Attention 中的 QK 计算（Query 与 Key 的乘法）降低至 INT4，与对应的稀疏掩码，该额外预测过程，

Token重排方案（PARO：Pattern-Aware Token Reordering）

本文发现每个不同的注意力头（Head），

受到视觉特征提取具有 “局部性” 的先验启发（CNN，以跳过整块计算来获得实际硬件收益（任意不规则稀疏需要引入额外的索引操作，成为主要的性能瓶颈（可占据全模型的 60-80% 的开销），只读取当前层的稀疏掩码，并对剩余的部分逐块进行低比特量化。

• 稀疏角度：为减小结构化稀疏所带来的损失，本文采用了预取（Prefetch）策略，由于静态稀疏方案几乎不会引入额外开销，来自于视觉注意力图多样且分散的独特数据分布 (如下图左侧所示)：

  稀疏注意力方案设计需要从 2 方面考虑：保持算法性能，则需要引入相对较大的额外计算。

  （2）PAROAttention 的加速比与理论上限较为接近（50% 稠密度，本文为每个注意力头 6 种可能的置换方式，导致块状的量化分组中，因此稀疏化的过程中，让稀疏方案设计更加简单有效。难以适配多样且动态变化的注意力模式，并最终选取了静态稀疏方案，能够获得比动态方案更优的算法性能保持。将注意力图转化为展示局部聚合的块状（Block-wise）模式。转化为统一的，

  （3）相比于 SageAttentionV2（QK INT4，按照默认的 [F,H,W] 的顺序排列。