Kimi 和 DeepSeek，为什么出现在同一张模型架构图里？

大模型 Attention 路线变迁：从分流到重组。

一张大模型架构图里，同时出现了 Kimi 和 DeepSeek 的影子。       

GLM-5.3-Flash项目配置文件：45层架构中，34层采用Kimi路线的KDA线性注意力，另外11层采用DeepSeek路线的KPool-DSA稀疏注意力

今年以来，大模型架构里出现了一条越来越清晰的变化：一些混合注意力架构中原本由全局Attention承担的角色，开始被Sparse Attention(稀疏注意力)接替。

要理解这个变化，得先回到 Attention 本身。

Attention解决的是一个基础问题：模型处理当前token时，能不能在越来越长的历史里，找到真正有用的信息。

大致来看，目前常见的Attention机制可以理解成三类：

全局注意力（Full / Global Attention）

直接读取完整的token历史，信息保留最充分，但计算和缓存成本也最高；

线性注意力（Linear Attention）

把历史压缩进更紧凑的状态，以降低长序列的计算成本；

稀疏注意力（Sparse Attention）

则保留更完整的历史，只选择其中一部分重要信息参与计算。过去几年出现的很多

高效注意力（Efficient Attention），主要就在后两种方向上继续演化。

最开始，经典 Transformer 主要使用 Full Attention，Full Attention让模型可以直接访问完整的token级历史，代价是计算和KV Cache随上下文迅速增长。连带着训练和推理成本也随之大幅增加。

过去几年，大家对 Attention 的改造，本质上都是在能力和成本之间找平衡。于是，作为折中方案的混合注意力架构逐渐流行起来：不同机制被放进同一套模型里分工，高效Attention负责降低成本，少量全局Attention保留直接访问完整历史的机会。

 从不同Attention路线，看大模型公司的选择

到了今年，很多混合注意力架构里由全局Attention承担的角色，开始出现被Sparse Attention接替的迹象。

8月发布的Qwen3.8-Flash-Next就是一个很清楚的例子。它延续此前三层 Gated DeltaNet 配一层 Attention 的结构，但那一层原本负责全局精确读取的 Attention，被进一步改造成了 Qwen Sparse Attention这样的高效注意力机制。（此前，我们也对 GLM-5.3-Flash 和 Qwen3.8-Flash-Next 做过详细实测，可参见https://mp.weixin.qq.com/s/HxJhiH0O1etsHoH_X1J5VQ）

 Qwen3.8-Flash-Next 架构图：每四层里，三层是 GDN，一层是 QSA

为什么那层一直被认为无法替代的全局 Attention，也开始有人尝试用另一种高效机制接替？如果具体的 Attention 技术正在变成可以流动和重组的零件，我们今天所谓一家模型公司的“技术路线”，到底还指什么？

MiniMax最后还是留下了Full Attention

要回答这个问题，可以看看MiniMax过去几年的架构变化，几乎完整经历了这一轮反复：从押注线性注意力，到保留少量全局注意力做混合注意力，再回到全局注意力，后来又转向稀疏注意力。每一次变化背后，都对应着模型Scale以后新暴露出来的问题。

2023年底，后来主导过MiniMax-01网络架构设计的钟怡然正在给Linear Attention找一家愿意真正把它Scale Up的公司。

他从2021年开始研究这条路线，此前最大的实验模型已经做到15B。在他看来，Linear Attention在建模效果和运行效率上的几个主要问题已经基本解决，真正剩下的问题只有一个：

它被放大到几百B参数以后，还能不能成立？

这个问题已经不是研究团队自己可以回答的了。

预训练一个几百B参数的大模型，架构一旦确定，数据、算法、训练系统和工程资源都会跟着转向。钟怡然此前也接触过其他公司，最终在2023年底和闫俊杰的一次交流后，MiniMax决定把这条还没有经过大规模验证的路线接下来。

双方对这件事的把握其实并不一样。

钟怡然后来回忆，作为长期研究Linear Attention的人，他当时觉得成功概率接近99%；但站在闫俊杰的位置上，他估计这个数字只有大约一半。一旦把Linear作为下一代主模型的架构，MiniMax超过80%的研发资源都会被卷进来。

一家大模型公司要用绝大多数研发资源，去验证一件只有五成把握的事。

MiniMax创始人闫俊杰，图源网络

早期实验一度让这场下注显得没有那么危险。团队曾经训练过一版15B左右的纯Linear模型，效果已经可以接近Transformer，似乎说明这条路线可以继续往上Scale。

但模型进一步放大后，问题开始暴露出来。

Linear Attention为了降低长上下文的计算成本，会把历史信息压缩进更紧凑的状态里，而在检索这类需要从很长文本中准确找回某个细节的任务上，这种压缩会出现问题。

Linear Attention省下计算的关键，在于它不会一直保存并重新读取每个历史token，而是把过去的信息不断压缩进有限的状态里。这样做很像把一本书边读边做笔记：记住主题和大意很高效，但如果几百页以后突然问“第37页某句话具体写了什么”，压缩过的笔记未必还能完整还原。

MiniMax原本希望把Linear做得更彻底，最后还是把Full Attention加了回来。

后来MiniMax-01采用的7:1 混合注意力架构由此出现：每7层Lightning Attention之后，加入1层传统SoftMax Attention。大部分计算交给更便宜的Linear Attention，但模型隔一段仍然获得一次直接读取完整上下文的机会。

这个比例是在不同层数和组合之间反复实验后找到的折中。钟怡然后来把混合注意力形容成一种“保底方案”。

可是，15B模型给出的信号仍不足以支撑一轮4560亿参数的正式训练。在真正开跑MiniMax-01之前，团队做了大约3700次预训练实验，不断改变模型大小、架构和参数组合，再从这些相对便宜的小实验中判断Scaling Law是否还能继续成立。

2024年中，MiniMax最终开始训练4560亿参数的MiniMax-01。到2025年1月模型发布时，7层Lightning Attention加1层Full Attention的架构被正式保留下来，上下文长度也被推到了400万token。

MiniMax花了数千次实验和一轮大规模预训练，最后仍然没有把那层Full Attention拿掉。它恰恰解释了为什么在后来很长一段时间里，混合注意力 Attention虽然越来越常见，却往往仍要保留少量全局Attention。

而MiniMax很快还会第二次碰到这个问题。

Scale之后，混合注意力又暴露了新问题

模型继续Scale以后，第二轮问题出现了。

这一次是更复杂的多跳推理问题。当模型需要经过多个中间步骤，把前面的条件、推导和结论重新串起来时，混合注意力开始出现比Full Attention更明显的能力损失。

问题暴露以后，团队重新设计测试和训练方法，小规模实验里，混合注意力又可以追上Full Attention。真正让MiniMax犹豫的也因此不再是这个具体缺陷，而是另一件事：

这次的问题可以找到、可以修，下一次还没有被发现的问题在哪里？

Text-01时期使用的Benchmark，并没有提前暴露后来的多跳推理差距。即使团队为这个问题补上新的测试，也无法证明在更大的模型和更复杂的任务上，不会继续出现新的能力缺口。

这意味着，混合注意力真正的风险是

未知能力损失无法被提前穷尽。

MiniMax官网技术博客截图

所以到了M2，MiniMax重新采用了Full Attention。相比继续押注一个可能在更大Scale上暴露新问题的架构，Full Attention虽然更贵，但它的能力边界和工程行为更可预期。

这也是Full Attention长期很难从混合注意力架构里彻底消失的原因：它留下来的价值，很大一部分来自对未知能力风险的兜底。

但到了下一阶段，Agent又重新改变了这笔账。

Agent重新放大了Full Attention的成本

M2回到Full Attention之后，MiniMax并没有在那里停太久。

2026年6月发布的M3重新离开Full，转向自研的MiniMax Sparse Attention（MSA）。这一次，变化来自于模型要处理的任务。

Text-01时期，长上下文更多意味着一次性读进更多材料：一本书、一份报告，或者几十万token的文档。到了Agent阶段，上下文开始变成一段不断增长的工作历史。搜索结果、网页、代码、工具返回、报错和中间结果，会随着任务一轮轮执行不断累积。一个Agent可能工作几十轮甚至更久，前面发生过的事情又不能轻易丢掉。

这让Full Attention的另一面越来越难忽视。

M2时期，MiniMax最担心的是高效Attention可能带来的未知能力损失，因此宁愿接受Full Attention更高的成本。但到了M3，长程Agent开始把这笔成本不断放大：

历史越长，每一轮需要处理的信息越多，计算和KV Cache都会继续增长。

MiniMax在M3发布时把“Context Scaling”

直接列为解决复杂Agent任务的核心问题，并重新从Attention架构动手。最终采用的MSA不再让每一步都处理完整历史，而是先从长上下文中筛出真正需要参与Attention计算的部分。官方数据显示，在100万token上下文下，M3单token计算量约为上一代模型的1/20。

于是，MiniMax几年的路线看起来像是绕了一圈：Text-01用Linear降低长上下文成本，同时留下Full Attention兜底；M2因为Scale后暴露出的能力风险，重新回到Full；到了M3，Agent又把长上下文成本推到前台，于是团队再次寻找Full Attention之外的方案，只是这一次选择了Sparse。

M2时，MiniMax愿意用更高的计算成本换能力上的确定性；到了M3，Agent让这份“确定性保险”的价格变得越来越高。

Linear和Sparse被放进同一个模型

MiniMax重新走向Sparse时，类似的变化已经开始在其他模型里出现。

过去很多混合注意力架构虽然引入了更高效的Attention，最后仍会保留少量全局Attention。到了2026年，这个结构开始松动。2月发布的MiniCPM-SALA直接把Lightning Attention和Sparse Attention放到了一起；到了8月，Qwen3.8-Flash-Next延续此前三层Gated DeltaNet配一层Attention的结构，却把负责精确检索的那部分进一步改成了Qwen Sparse Attention。

这个变化在Qwen身上尤其清楚。三比一的结构没有变，变的是那一层“兜底”的方式。过去由全局Attention直接读取完整历史，现在开始交给Sparse Attention，从长上下文中筛出真正需要的信息。

到了GLM-5.3-Flash，类似的组合再次出现：45层模型中，34层采用KDA，另外11层采用KPool-DSA。过去分别由Kimi和DeepSeek推进的Linear与Sparse路线，被放进了同一套模型。

Linear和Sparse之所以能够放在一起，恰好因为两者解决的是不同的问题。Linear擅长用较低成本维持一段很长的历史，却不擅长随时恢复其中某个具体细节；Sparse保留token级历史，但每次只读取其中一小部分。前者更像负责“记住整体状态”，后者负责“需要时回去查具体内容”。这也是为什么两种过去看起来彼此竞争的方案，后来开始出现在同一套架构里。

三个模型的实现并不相同，但它们指向了一个共同变化：

Attention架构正在从寻找一种更好的机制，走向让不同机制承担不同的工作。

 Linear或Recurrent Attention负责以更低成本维持长历史，Sparse Attention负责在需要时从中找回更具体的信息。

过去被当作不同路线讨论的Linear、Sparse和Full，正在变成同一个架构设计空间里的不同选项。

技术开始越过公司的边界

这种组合越来越容易发生，也和过去几年技术扩散的方式有关。

2024年，长期研究线性注意力的杨松琳开始维护线性注意力开源社区FLA。她后来回忆，FLA从一开始就不只是为了发布论文，而是希望把Linear Attention变成真正可以复用的基础设施：算法之外，接口、kernel和具体实现也一起开放。后来Kimi推进KDA时，也从这个社区吸收了核心贡献者。

技术因此不再只跟着论文流动。代码、社区和研究人员，把一项架构创新带出了最初提出它的团队。

到2025年底，杨松琳在讨论Linear Attention下一步时，已经提出过一个当时还很激进的方向：既然Linear在精确检索上仍有缺口，是否可以直接和Sparse结合，让两种机制各自处理不同的问题。她当时举出的例子，就是Kimi的KDA和DeepSeek的DSA。

不到一年，这种设想已经出现在真实模型里。

这也让“技术路线”越来越难简单地和某一种Attention机制绑定。过去人们习惯说MiniMax做Linear、DeepSeek做Sparse、Kimi做KDA；但当代码可以开源、人员可以流动、已经被验证过的技术可以迅速进入另一家公司的模型，这些标签的有效期会越来越短。

真正拉开差距的，也越来越不是“有没有某项技术”，而是

什么时候采用它、怎样和其他技术组合，以及愿意在能力、成本和工程风险之间做什么取舍。

尾声：路线没有消失

再回到开头那张架构图，Kimi和DeepSeek的名字同时出现在GLM-5.3-Flash里，已经没有那么反常了。

过去几年，人们习惯用Linear、Sparse、Full Attention来区分不同公司的技术路线。但MiniMax几次看似反复的选择，其实已经说明，这种划分越来越难解释真实的大模型研发。

做Text-01时，MiniMax最先看到的是长上下文带来的成本，于是押注Linear；模型继续Scale以后，未知的能力损失变得更危险，M2因此重新回到Full；到了Agent阶段，不断增长的工作历史又把计算成本推到前台，M3再次转向Sparse。

技术没有突然变好或变坏，变化的是每个阶段最先撞到的约束。

这也解释了为什么今天很难再用一种Attention机制定义一家公司的路线。真正决定选择的，是模型下一步要处理什么任务，什么成本已经不能继续接受，以及团队愿意为能力上的确定性付出多少代价。

GLM-5.3-Flash里KDA和DSA同时出现，记录下来的也不是哪一条路线最终赢了。它更像一个结果：当具体技术越来越容易被验证、吸收和重新组合，所谓“路线”正在从对某一种架构的长期押注，变成一家公司对约束变化的持续判断。

技术会扩散，也会被重新组合。真正没有那么容易被复制的，是一家团队判断下一堵墙会出现在哪里。

参考资料：

1.晚点聊 LateTalk 104：《我给线性注意力找“金主”，字节 say No，MiniMax say Yes》

2.MiniMax：《MiniMax-01 is Now Open-Source: Scaling Lightning Attention for the AI Agent Era》

文章来自于微信公众号 “AI科技评论”，作者 “AI科技评论”