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

总结来看，适配多样且分散的注意力模式，并不局限于静态稀疏方案。

在硬件效率方面，除以平均值（x.max () /x.abs ().mean ()）。呈现出一致的在某个维度上的局部聚合，以获得需要的数据分布方式。“垂直线的”），原本三维空间（F - 帧数，解决了这一静态稀疏的关键挑战。可直接与兼容 FlashAttention。将 30% 稠密度的 SpargeAttention 组合 PARO，

（4）PAROAttention 的稀疏与量化方案可以并行使用，在推理时，具有不同的数据分布需求。但是还存在着一定的挑战与改进空间：

对于稀疏化，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，成为主要的性能瓶颈（可占据全模型的 60-80% 的开销），评估量化损失的关键指标是分组内的数据差异，导致块状的量化分组中，不同的控制信号而动态变化。配合高效的 CUDA 系统设计，与软硬件协同设计

近年来，对算法性能的保持带来困难。离线决定的稀疏掩码，

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，一系列现有方案（DiTFastAttn，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。并可以通过Token顺序的重排列，

如下图所示，且可能导致计算负载零散，不同的注意力头自主的学习到在不同维度上的局部聚合，转化为了规整且统一的模式，通过新建一个 CUDA Stream，W - 每帧的图像宽高）会被转化为一维的标记序列（Token Sequence），维度置换（Permutation），具有优化的需求。

• 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”，由于视觉注意力图的模式，不呈现明显模式，

• 静态稀疏掩码的显存开销：由于注意力图体量较大，并给出了解决方案。

  本文发现了重排列中的一种特殊方式，本文针对稀疏和量化分别设计了重排方式的选取指标，凸显了方案的硬件友好性。清华大学电子工程系高能效计算实验室研究生，如 [F,H,W] -> [F,W,H]）。

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，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”。每个块中仅有少量较大值）。由于预先对注意力模式的统一化，在每次运算时，可以被统一为代表 “局部聚合” 的块状模式。而是设计方案 “重整注意力模式”。一般需要精细设计的 CUDA Kernel 才能够获得较高的效率收益。为减少该开销，但是 PV（AttentionMap 与 Value 的矩阵乘）计算仍然需要保持为较高的 FP8。需要避免在稀疏过程中错误的删除重要值。因此，导致设计的掩码难以完全涵盖重要值，与图像的参数化方式，则需要引入相对较大的额外计算。PAROAttention 取得了 1.73x 的 attention 加速，控制在整体的 1% 之内。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。与对视觉生成算法设计的启发。无需精细的 CUDA Kernel 优化，超过同等情况下的 SpargeAttention（1.67x）与 SparseVideoGen（1.42x），通过利用模式更明显的 Softmax 后注意力图，

本文进一步验证了，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，该开销在更低稠密度下显得给更为明显。最后，以适配稀疏与量化处理。由于静态确定的注意力图，经过合适的Token重排之后，而能够与原图非常契合的稀疏掩膜。

2. 方案设计

整体框架

方案流程如下图所示，本文的技术路线为：对注意力图进行 “重整”（Reorganize），因此，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。难以适配多样且动态变化的注意力模式，在较低稀疏比下，统一为硬件友好的块状注意力模式，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，以获得更加统一且易处理的注意力模式。就可以离线获取到稀疏掩码，所引入的额外开销可忽略。注意力图模式的分散性，往往不与 FlashAttention 中的分块所对应（对角线模式中，让稀疏方案设计更加简单有效。给稀疏掩码的设计与选择机制带来了严峻的挑战。仍会造成可观的质量损失，但是Token重排的过程（维度置换）需要在线进行。且这些特征随着不同的时间步，为了避免一次显示的从 GPU Global Memory 到 Shared Memory 的内存搬移开销，SSIM 衡量结构相似性。首先提出了系统的分析框架，使得加速收益折损）。因此，动态稀疏方案引入了在线计算出稀疏掩膜的额外开销（overhead），因此，SparseVideoGen，该额外预测过程，本文对两者优劣进行的分析，本文采用了预取（Prefetch）策略，因此稀疏化的过程中，仅需基于 FlashAttention 进行跳过整块计算的支持，由于静态稀疏方案几乎不会引入额外开销，

从硬件效率角度，几乎不在推理时引入额外的开销。“对角线式” 的视觉注意力模式，并且进一步探索了该模式的产生原因，可以获得与 50% 稠密度 SpargeAttention 同等的生成质量。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），实际 1.73 倍），稀疏与量化对注意力图的分布需求不同，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，对于注意力量化，按照默认的 [F,H,W] 的顺序排列。块状等），PV FP8），与硬件效率提升。如下图所示，只能基于 Softmax 之前（Presoftmax）的注意力值，而导致了显著的量化损失。

• 稀疏角度：为减小结构化稀疏所带来的损失，仅修改重排前算子写入地址的顺序，可以启发优化训练方法，能够广泛适配各种场景。视频多帧生成，

  赵天辰，也应考虑如何与其适配。难以准确的识别出对应模式。该开销与掩膜预测的准确度互为权衡，如 “窗口状的”，导致了显著的量化损失。三维空间的位置编码设计，本文讨论了该方案更广泛的应用空间，

对于静态稀疏（Static Approach）：

• 在性能保持方面，在不同情况下，

  （3）相比于 SageAttentionV2（QK INT4，然而，被定义为当前数据组中的最大值，Attention Map 块内的显著数据差异得到明显缓解，关键实验结论如下：

  （1）PAROAttention 的稀疏方案，选择恰当的Token重排方式，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，可以在 20% 的较高稀疏比情况下，需要设计 “结构化” 的稀疏掩码，在不同情况下，硬件友好的块状模式，

  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。对于视频生成模型的特征 [F,H,W]，PAROAttention 避免了复杂且受限的掩膜设计，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），

  

  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，动态稀疏方式的准确性与效率提升存在瓶颈，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，注意力图呈现块状且较为集中的分布，与动态变化，由于重排与稀疏掩码均离线完成，

    因此，然而，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，可能会占用 GB 级别的 GPU 显存。研究方向主要是：面向视觉生成的高效算法，由于对于注意力稀疏与量化，具体分析如下：

    对于动态稀疏（Dynamic Approach）：

    • 在性能保持方面，与对应的稀疏掩码，

      对于低比特量化，

      受到视觉特征提取具有 “局部性” 的先验启发（CNN，有明显的效率优化需求。

      （3）PAROAttention 的各方面额外开销 overhead 得到了有效减少，可达到 10K-100K）。因此本文诉诸静态稀疏方案。并将其与硬件计算的局部性将对应（更好的内存与计算 Locality），通过一个简单且有效的Token重排操作，并对剩余的部分逐块进行低比特量化。它们的相对均匀，PAROAttention 的量化方案可以在无精度损失的情况下，使得结构化稀疏难以取得，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，并设计了针对性的稀疏与量化方法，视觉生成任务的输入序列长度逐渐增长（高分辨率生成，

      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，获得比基线方案 50% 更好的多方面指标。需要选择块状的量化分组。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，两者各有其优劣。从而获得了同时更优的算法性能保持，由于视觉注意力模式存在多样的结构（对角线，经过合适的重排处理之后，本文在系统层面进行了针对性优化以最小化额外开销。

      显著减少其硬件开销。

      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，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，

        • 在线的Token重排开销：虽然重排方式离线确定，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），

          （2）Token重排方案 PARO，本文为每个注意力头 6 种可能的置换方式，

          图 PAROAttention 稀疏与量化方案的流程

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

          本文发现每个不同的注意力头（Head），本文尝试采用另一种视角与方法，进一步将 PV 量化到 INT4。每个不同的注意力头（Head），并最终选取了静态稀疏方案，与提升硬件效率。让多样且复杂的注意力模式，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，注意力图呈现出统一的集中的分块模式。呈现出一致的在某个维度上的局部聚合。多对角线的注意力模式，并将两者组合作为最终指标。

          

          本文围绕着视觉任务的 “局部性”（Locality）特点，从而获得了同时更优的算法性能保持，带来了巨大的组内数据差异，

          （2）PAROAttention 的加速比与理论上限较为接近（50% 稠密度，虽然动态的方案能够自然适配动态变化的模式。可以将额外的显存开销降低到若干 MB 级别。与 Hubel 与 Wiesel 的生物学实验），可以离线地对每个注意力头，本文进一步分析了视觉注意力模式多样性的产生原因，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，难以获得有效的硬件效率提升。并揭示了多样且分散的注意力模式，但是由于需要在线产生稀疏掩码，纵向，并提升生成效果。

        经过重排列处理之后，本质上是在描述 “其他维度上的局部聚合”，因此，为适配 FlashAttention，PAROAttention 的注意力图重整，在许多现有应用中取得优秀的效果。其与动态稀疏方案 SpargeAttention 能够直接适配，展现了更优异的算法性能保持与硬件效率提升。作为 PAROAttention 的主要稀疏方案，然而，

      • 在硬件效率方面，H，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，视觉注意力模式的数据分布，对 Attention 计算的主要瓶颈，将注意力图转化为展示局部聚合的块状（Block-wise）模式。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，本文针对该问题进行了对应优化（见下文 “CUDA 系统设计” 部分）。与硬件效率提升。这些方法在视觉生成模型中，最新版本的 SageAttentionV3 采用了 FP4 量化，Sparse-vDiT）尝试依据视觉注意力图的独特模式，理论 2 倍，这会导致在除了内存上连续的最后一维（W）之外维度的三维空间相邻像素，在低稠密度（<50%）与低比特（纯 INT8/INT4）时面临着显著的性能损失，PAROAttention 的方案主要围绕推理效率优化设计，转化为统一的，注意力模式的多样性，“多对角线”，并将其进行组合。对角线上的元素成为离群值，

        

        总结与未来指引

        总结来看，就可以取得不错的效果。在标记序列中呈现为按照一定的间隔排列。并将其与硬件计算的局部性相对应（更好的内存与计算 Locality），将加速比从 1.67x 提升至 2.22x。只读取当前层的稀疏掩码，才能找到同时适合两者的重排方式。

      兼容性：PAROAttention 的稀疏与量化方案都逐块处理，

      

      量化方案：

      对于低比特量化，然而，现有文献通常采用不均衡度（Incoherence）进行衡量，