DeepSeek的稀疏注意力机制DSA主要分为两个模块：1）Lighting Indexer；2）Fine-grained Token Selection。训练的策略很有讲究，采用了CPT（持续预训练）和RL训练。

DSA设计和模型架构

Lighting Indexer

通过dot product计算当前query和之前token key的注意力分数，然后过ReLU，再乘每个head的权重$w$，最后将head维度加起来，公式如下：

在计算dot product的时候，复杂度仍然是$O(L^2)$的，应该如何降低这部分的开销呢？

• FP8低精度实现Lighting Indexer的运算过程
• ReLU激活函数提高计算的吞吐率
• 只使用更少的Indexer Head，即$H^I<H$

Token Selection

直接用top-k选择注意力分数大的token，然后计算attention，公式如下：

DSA结构：基于MLA，并采用MQA

训练策略

训练checkpoint起点：DeepSeek-V3.1-Terminus（dense attention）

Continued Pre-Training（CPT）

第一步：Dense Warm-up Stage（冷启动热身）
因为Lighting Indexer是全新组件，所以第一步是只训练Lighting Indexer，让indexer的输出分布尽可能接近原来的attention分布，公式如下：

第二步：Sparse Training Stage（稀疏模式训练）
让整个模型适应稀疏attention的模式，需要同时训练模型和Indexer，公式如下：

发现和第一步公式非常像，但是不同在于第二步只用了“重要token”的分布，以此让模型适应稀疏模式。
文章中还提到一点，indexer的输入是从计算图中剥离出来的，所以是单独优化indexer和模型部分。Indexer训练指来自$L^I$这个loss，而模型优化只来自语言建模的loss。

Post-training（后训练）

Specialist Distillation（专家蒸馏）
为每一个领域训练一个专家模型，然后生成训练数据（两种模式：带CoT和不带CoT），然后蒸馏到DeepSeek-V3.2-Exp中。

Mixed RL Training（单阶段混合训练）
用GRPO算法训练，但是摒弃“多阶段”训练策略（比如R1）。采用单阶段的混合RL训练策略，将所有目标融合在一起。 主要有三个目标：1）推理能力（逻辑推理）；2）Agent能力（工具调用）；3）人类偏好对齐。