摘要
在追求 AGI 的道路上，如何在保持高性能推理能力的同时，极致压缩计算成本与显存占用？小米 LLM-Core 团队最新发布的MiMo-V2-Flash给出了一个新的角度和方案。这款拥有 309B 参数（激活参数仅 15B）的 MoE 模型，通过混合滑动窗口注意力（Hybrid SWA）、轻量级多 Token 预测（MTP）以及多教师在线蒸馏（MOPD），在推理效率和复杂任务处理能力上比肩 DeepSeek-V3.2 等顶尖开源模型。
1. 引言：突破“不可能三角”？
长上下文大语言模型（LLM）长期面临一个“不可能三角”：长窗口（Long Context）、**高智能（High Intelligence）与低延迟（Low Latency）**往往难以兼得。全注意力机制（Full Attention）的O(L2)O(L^2)O(L2)复杂度让长文推理步履维艰，而传统的稀疏化手段往往以牺牲模型智力为代价。
MiMo-V2-Flash 的核心突破在于：
- 架构侧：利用带“可学习 Sink Bias”的滑动窗口注意力，将 KV Cache 和计算量降低 6 倍。
- 推理侧：利用 MTP 模块实现无损投机采样，大幅提升 Decoding 速度。
- 训练侧：首创 MOPD 范式，解决了强化学习（RL）中“跷跷板效应”导致的通用能力退化问题。
2. 架构设计：极致效率的追求
MiMo-V2-Flash 基于 Transformer 架构，但在 Attention 和 FFN 层进行了激进的改造。
2.1 混合滑动窗口注意力 (Hybrid SWA)
为了解决长文本下的 KV Cache 瓶颈，MiMo-V2-Flash 并没有选择完全的线性 Attention，而是采用了一种5:1 的混合策略。
- 结构：每 6 层为一个 Block，其中前 5 层使用滑动窗口注意力（Sliding Window Attention, SWA），第 6 层使用全局注意力（Global Attention, GA）。
- 参数：滑动窗口大小W=128W=128W=128。这是一个极小的窗口（相比于常见的 4K 或 8K），意味着绝大多数层只关注极局部的上下文。
核心创新：可学习的 Attention Sink Bias
传统的 SWA 在堆叠多层后，长距离信息容易丢失。DeepSeek 等模型通过 MLA 缓解此问题，而 MiMo-V2-Flash 选择了一种更轻量的方案：Learnable Attention Sink Bias。
在 SWA 层中，模型显式地引入一个可学习的偏置项sink∈R\text{sink} \in \mathbb{R}sink∈R，用于调节 Softmax 的分母。这允许模型在不需要关注局部窗口内的任何 Token 时，将注意力权重“倾泻”到 Sink 上，从而保留全局语义的聚合能力。
数学表达：
对于 Tokeniii和jjj，注意力 Logit 计算如下：
aij=qikjTd a_{ij} = \frac{q_i k_j^T}{\sqrt{d}}aij=dqikjT
