像人一样跳读长上下文：TokenGate 用可学习剪枝把 Prefill 最高提速约 11 倍

来自 @StanfordAILab @BerkeleySky 两所大学的研究者们用一个可插拔的小模块「TokenGate」，插在现有 LLM 的浅层，学会对长上下文做“跳读”：只把重要的 top-K token 继续往上层传。论文报告在无精度损失时，首 token 时间可快 1.4–11.3 倍，峰值显存降 1.5–3.4 倍；相对最好的免训练剪枝方法，最高约 6.4 倍更快、2 倍更省显存。训练成本接近 LoRA，不必从零预训练。
https://arxiv.org/pdf/2610.26754

问题背景
专家读长文档或代码库会先扫一眼再精读；标准 Transformer 却对每个 token、每一层都算一遍。长上下文的 prefill 因此成为瓶颈：注意力随长度近似平方增长，MLP 与 KV cache 线性增长。

现有两条路各有短板：
· 免训练剪枝（FastKV、SlimInfer 等）：靠注意力启发式打分，部署便宜，但加速有限、精度易掉。
· 改架构（自适应计算、子二次注意力等）：效果更好，但往往要重训，成本高。

TokenGate 想走中间：在已训好的模型上轻量适配，端到端学会剪哪些 token。

论文的方法
· 前向分三段：门控层以下照常处理全部 N 个 token；门控模块给每个 token 打分，只保留 top-K；门控层以上只处理这 K 个，被剪掉的不再产生上层计算和 KV。
· Token-gated attention：top-K 本身不可微。做法类似 MoE，用门控给出的重要性分数去重加权上层注意力 logits，从而为端到端训练打通梯度。
· 训练：用普通 next-token 损失即可，无辅助损失；作者称总训练时间接近对基座做 SFT / LoRA 级适配。一次微调后，可泛化到不同输入长度和不同 K。
· 与 Prompt Cache 的配合：门控层以下的全量 KV 可跨 query 正常缓存；门控层以上的 KV 只服务当前问题，换问题可丢。实验里门控放在第 1 层，具体层数可按负载调。

主要结果（论文自报）
· 任务覆盖：代码补全、多跳 QA、多文档摘要、医疗抽取、Needle-in-a-Haystack 等。
· 相对全上下文微调基线：无精度损失时 TTFT 1.4–11.3×，峰值 prefill 显存 1.5–3.4×。
· 相对最强免训练剪枝：同精度下最高约 6.4× 更快、约 2× 更省显存。示例：2WikiMultihopQA + Qwen3-1.7B，在全上下文精度的 95% 处，约 3.0× 更快、2.7× 更省显存。
也可接到混合注意力模型（如 Qwen3.5-2B）：无精度损失时约 3.8× 更快 TTFT。
· 为什么有效：选择模式随任务变化，QA 留答案关键词，摘要留短语末尾的停用词等；骨干与门控一起适配，对剪枝更鲁棒。