Antigravity Agent
2.8 KiB
2.8 KiB
id: P-Reinforce-AUTO-SATT-001 category: Unified confidence_score: 1.00 tags: [auto-reinforced, sparse-attention, dsa, attention-complexity, efficiency, deepseek] last_reinforced: 2026-05-04
Sparse Attention
📌 한 줄 통찰 (The Karpathy Summary)
"지능의 선택과 집중: 모든 토큰을 전부 비교하는 낭비를 버리고, 맥락상 가장 중요한 핵심 토큰들만 골라내는 '희소한 연결'을 통해 연산 복잡도를 $O(n^2)$에서
O(n)수준으로 낮춘 효율적 지능의 표본."
📖 구조화된 지식 (Synthesized Content)
Sparse Attention은 모든 토큰 간의 상관관계를 계산하는 대신, 특정 패턴이나 중요도에 따라 일부 토큰들만 선택적으로 참조함으로써 연산 및 메모리 비용을 획기적으로 줄이는 기술입니다.
- 기본 패턴:
- Sliding Window: 인접한 토큰들(로컬 문맥)에만 집중합니다.
- Global Tokens: 중요한 위치(문장 시작 등)의 토큰을 전체가 공유하여 조망합니다.
- Random/Fixed Patterns: 사전에 정의된 규칙이나 무작위 연결을 통해 장거리 의존성을 보완합니다.
- DSA (DeepSeek Sparse Attention):
- Indexer-Selector 메커니즘: 단순히 고정된 위치를 보는 것이 아니라, '인덱서'가 관련 있는 토큰을 먼저 찾고 '셀렉터'가 그 하위 집합에 대해서만 어텐션을 수행합니다.
- 의의: 정확도 손실을 최소화하면서 100만 토큰 이상의 초장거리 컨텍스트를 스케일링할 수 있게 합니다.
- 장점:
- 시퀀스 길이에 따른 연산량 증가를 선형(
O(n))으로 억제하여 대규모 데이터 처리가 가능해집니다. - KV 캐시의 메모리 압박을 줄여 추론 효율성을 높입니다.
- 시퀀스 길이에 따른 연산량 증가를 선형(
⚖️ Trade-offs & Caveats
- 정보 손실 위험: 중요한 토큰을 놓칠 경우 모델의 추론 능력이 저하될 수 있습니다(Lost in the middle 현상 등). 이를 방지하기 위한 정교한 하이브리드 아키텍처(예: Gemma 4의 Local-Global 교차 방식)가 요구됩니다.
- 구현 복잡성: 표준 Dense Attention에 비해 인덱싱, 선택 로직 등 아키텍처가 복잡하여 시스템 통합 및 최적화에 높은 기술력이 필요합니다.
🔗 지식 연결 (Graph)
- 상위 개념: Attention Mechanisms, LLM Inference Optimization
- 비교 기술: Flash Attention (I/O 최적화 vs 연산 횟수 최적화)
- 연관 기술: Sliding Window Attention, Mixture of Experts (MoE), KV Cache
Last updated: 2026-05-04