Transformer 之后：线性注意力、SSM/Mamba 与混合架构

Transformer 把序列建模推到了顶峰，也把 $O(n^2)$ 的计算代价显式化了。当上下文越拉越长、端侧/具身对延迟越来越敏感、训练成本持续走高时，Transformer 的瓶颈就成了核心矛盾。破局思路主要分为四条主线：线性注意力（Linear Attention）、状态空间模型（SSM / Mamba）、线性 RNN（RWKV） 以及 混合架构（Hybrid）。

一、Transformer 留下的两个核心瓶颈

平方复杂度：标准 Self-Attention 计算在序列长度 $n$ 上是 $O(n^2)$ ，长上下文（如百万级 Token）在训练和推理端都极其昂贵。此外，KV-Cache 随序列长度线性膨胀，对显存带来巨大压力。
难做无限流式输入：Transformer 依赖离散 Attention 矩阵，没有天然的“定长状态压缩 + 持续流式更新”机制，在面对长视频、长对话及机器人在线决策时不甚优雅。

后续工作的共同目标可以用一句话概括：把序列建模做到接近线性复杂度，同时保持模型表现不出现断崖式下跌。

二、Linear Attention（线性注意力一族）

核心原理

把标准 $\text{softmax}(QK^T)V$ 的二次方复杂度替换或近似成线性形式。相当于对 Attention 算子做“微创手术”，但保留 Transformer 的宏观多头与残差连接结构。

关键流派

稀疏注意力（Sparse Attention）：
- 只让每个 Token 查看局部窗口、跨步跳点或少数全局哨兵 Token。
- 代表：Longformer（局部滑窗 + 全局 Token）、BigBird（随机 + 局部 + 全局组合）。
核函数化与低秩近似（Kernelization & Low-rank）：
- 利用核函数拆开 Softmax，改变矩阵乘法结合律：从 $(QK^T)V$ 变为 $Q(K^TV)$ ，直接将复杂度降至 $O(n)$ 。
- 代表：Linformer（维度低秩投影）、Performer（随机正交特征 FAVOR+ 逼近）。
工程精确加速（Kernel 优化）：
- 不改动数学公式，专注于 GPU 访存优化与重算策略。
- 代表：FlashAttention v1/v2/v3（利用 SRAM 分块重算，访存压至 $O(n)$ ）、PagedAttention（vLLM 借鉴操作系统的分页虚拟内存管理 KV-Cache）。

三、SSM 与 Mamba（状态空间模型）

什么是 SSM？

状态空间模型（State Space Model） 源于经典的连续时间控制系统理论，其数学方程为： $h'(t) = A \cdot h(t) + B \cdot x(t)$ $y(t) = C \cdot h(t) + D \cdot x(t)$

深度学习将其离散化、参数化并层层堆叠，形成了 S4 → Mamba → Mamba-2 的演进路线。

核心技术突破

S4（Structured State Space）：采用结构化对角加低秩矩阵（DPLR），解决了极长序列在数学上的求解难题。
Mamba（选择性 SSM）：让 $A, B, C$ 矩阵变为输入的函数——使模型学会了“根据输入动态选择记住什么、遗忘什么”，相当于将 LSTM 的门控机制引入连续状态空间。
硬件友好的并行扫描（Parallel Scan）：克服传统 RNN 串行训练慢的弱点，在 GPU 上实现高吞吐并行训练。
Mamba-2 与状态空间对偶（SSD）：在数学层面将 SSM 与广义线性 Attention 统一，实现比 Mamba-1 显著的吞吐提升。

优劣势对比

优势：训练复杂度 $O(n)$ ，推理时维护固定尺寸的状态向量（每步 $O(1)$ ），天然支持流式输入。
局限：在原文精确检索（如大海捞针 Passkey 检索、电话簿查找）等任务上，纯 SSM 表现略弱于全注意力。

四、RWKV（线性 RNN 的复兴）

RWKV（Receptance Weighted Key Value） 将 Transformer 的 Attention 改写为既能像 RNN 一样递推推理，又能像 Transformer 一样高度并行训练的优雅形式。

训练视角：按时间维度展开为矩阵乘法，GPU 满载并行训练；
推理视角：按时间步递推更新固定的隐状态，显存占用与上下文长度完全脱钩。
演进：从 RWKV-4、RWKV-5 (Eagle)、RWKV-6 (Finch) 到融合稀疏注意力的 RWKV-X。
适用场景：端侧部署、树莓派、CPU 纯推理与永不停机的流式会话。

五、混合架构（Hybrid Architecture）

由于纯 SSM 在精确召回上略显不足，而纯 Transformer 在长上下文下算力显存爆炸，层级交错的 Hybrid 架构成为了 2024 年以来的工业界主流方向。

核心思路是：以大量 SSM/RNN 模块为骨干承担长程流式吞吐，穿插少量标准 Attention 层作为锚点提供高精度检索。

混合模型	核心组合方式	出处 / 机构
Jamba	Transformer + Mamba + MoE，每隔数层穿插一次 Attention	AI21 Labs
Zamba / Zamba2	Mamba 骨干 + 共享全局 Transformer Block	Zyphra
Samba	层级交错 Mamba + 滑动窗口 Attention，实现 1M 上下文外推	Microsoft
RWKV-X	RWKV 短程递推 + 稀疏 Attention 远距离依赖	开源社区

六、全景对比与技术选型

各代架构综合对比

架构流派	计算复杂度	超长上下文能力	精确事实召回	推理状态特征	当前工业定位
Transformer	$O(n^2)$	显存受限	极强	KV-Cache 随长度线性膨胀	当前绝对基准
Linear Attention	$O(n) \sim O(n \log n)$	中等	中等	视具体实现而定	长文档 / 局部加速
SSM / Mamba	$O(n)$	极强	中等（需配合检索）	固定尺寸隐状态	超长序列新基座
RWKV	$O(n)$	极强	中弱	固定尺寸隐状态	端侧 / 持续流式推理
Hybrid (Jamba/Samba)	接近 $O(n)$	极强	强	固定状态 + 少量局部 KV	综合性能与成本平衡之选

选型落地建议

现有成熟大模型微调与业务上线：首选 FlashAttention + PagedAttention + 量化（事实上的生产标准）。
百万级长文本 / 海量文档 RAG 产品：优先考虑 Jamba / Samba 类的混合架构。
端侧设备 / 树莓派 / 离线边缘部署：选择 RWKV 或 Mamba-2，摆脱 KV-Cache 内存黑洞。
机器人 / 具身智能在线策略控制：状态恒定的 SSM/RWKV 结构在实时流式循环中具备显著架构优势。