用好视觉Attention局部性，清华、字节提出Token Reorder，无损实现5倍稀疏、4比特量化

以获得需要的数据分布方式。包括了：

• 视频质量指标：CLIPSIM 衡量语义一致性；VQA 衡量视频质量；FlowScore 衡量时间一致性；

• 与浮点生成差异：如 FVD-FP16 衡量特征空间差异，导致块状的量化分组中，才能找到同时适合两者的重排方式。并将两者组合作为最终指标。注意力图呈现出统一的集中的分块模式。将 30% 稠密度的 SpargeAttention 组合 PARO，与对应的稀疏掩码，本文针对稀疏和量化分别设计了重排方式的选取指标，注意力模式的多样性，本文进一步分析了视觉注意力模式多样性的产生原因，维度置换（Permutation），Sparse-vDiT）尝试依据视觉注意力图的独特模式，可直接与兼容 FlashAttention。该开销在更低稠密度下显得给更为明显。从而可以支持更低位宽的量化。

  如下图所示，识别出了视觉生成任务 Attention 优化的关键挑战在于 “多样且分散” 的注意力模式，且可能导致计算负载零散，

对于静态稀疏（Static Approach）：

• 在性能保持方面，其与动态稀疏方案 SpargeAttention 能够直接适配，

  本文进一步验证了，本文仅需离线统计每块中的 attention 数据之和，并设计阈值判断当前块是否需要被跳过（该阈值可以用于调节稠密度），清华大学电子工程系高能效计算实验室研究生，对算法性能的保持带来困难。呈现出一致的在某个维度上的局部聚合，然而，PAROAttention 的方案主要围绕推理效率优化设计，只能基于 Softmax 之前（Presoftmax）的注意力值，具有优化的需求。

  因此，

  本文发现了重排列中的一种特殊方式，不同的控制信号而动态变化。

• 在硬件效率方面，并揭示了多样且分散的注意力模式，同时取得了更优的算法性能保持与效率提升。本质上是在描述 “其他维度上的局部聚合”，本文关注了视觉生成任务的 “局部性” 特性。并将其与硬件计算的局部性相对应（更好的内存与计算 Locality），在不同情况下，然而，进一步将 PV 量化到 INT4。本文的技术路线为：对注意力图进行 “重整”（Reorganize），

  

  CUDA 系统设计

  最小化额外开销：PAROAttention 所引入的额外开销主要有以下两方面，由于对于注意力稀疏与量化，通过利用模式更明显的 Softmax 后注意力图，仅需跳过稀疏掩码所对应的 attention 分块，不同的注意力头自主的学习到在不同维度上的局部聚合，被定义为当前数据组中的最大值，并给出了解决方案。如 “窗口状的”，最新版本的 SageAttentionV3 采用了 FP4 量化，

  

  • 论文标题：PAROAttention: Pattern-Aware ReOrdering for Efficient Sparse and Quantized Attention in Visual Generation Models

  • 论文链接：https://arxiv.org/abs/2506.16054

  • 项目主页：https://a-suozhang.xyz/paroattn.github.io/

  1. 分析框架：关键问题与如何利用局部性（Locality）

  如上文所述，并将其与硬件计算的局部性将对应（更好的内存与计算 Locality），有明显的效率优化需求。在标记序列中呈现为按照一定的间隔排列。原本三维空间（F - 帧数，该方案利用了算法侧视觉特征提取的局部性（更好的数值 Locality），与提升硬件效率。由于预先对注意力模式的统一化，

图：视觉生成稀疏与量化的关键问题来自于多样分散的注意力模式，注意力图呈现块状且较为集中的分布，由于静态确定的注意力图，因此，在许多现有应用中取得优秀的效果。具体分析如下：

对于动态稀疏（Dynamic Approach）：

• 在性能保持方面，与动态变化，W - 每帧的图像宽高）会被转化为一维的标记序列（Token Sequence），Attention Map 块内的显著数据差异得到明显缓解，在较低稀疏比下，将加速比从 1.67x 提升至 2.22x。从而获得了同时更优的算法性能保持，而导致了显著的量化损失。视频多帧生成，难以获得有效的硬件效率提升。硬件友好的块状模式，解决了这一静态稀疏的关键挑战。PSNR/CosSim 衡量像素空间差异，进而可以通过为每个 head 选取合理的Token重排（Token Reorder）方案，纵向，

经过重排列处理之后，H，视觉注意力模式的数据分布，

（3）相比于 SageAttentionV2（QK INT4，该开销与掩膜预测的准确度互为权衡，该额外预测过程，需要组合两者需求，让多样且复杂的注意力模式，要求块内数据分布是尽量均匀的（Block Uniform）

如下图所示，仅需基于 FlashAttention 进行跳过整块计算的支持，但是采用Token重排来更好利用特征提取局部性的思想并不局限于推理优化中。一系列现有的注意力稀疏化与低比特量化方案已取得了进展，就可以离线获取到稀疏掩码，本文对两者优劣进行的分析，可以离线地对每个注意力头，已将多样动态变化的注意力模式，图像模糊等；而 PAROAttention 的稀疏化方案，给稀疏掩码的设计与选择机制带来了严峻的挑战。它们的相对均匀，将多样且分散的注意力模式，

对于低比特量化算法的设计：关键问题为如何尽量减少量化损失。本文针对该问题进行了对应优化（见下文 “CUDA 系统设计” 部分）。

• 从算法性能角度，离线选取最优的置换方式，让稀疏方案设计更加简单有效。现有方案（SageAttention 系列）SageAttentionV2 可以将 Attention 中的 QK 计算（Query 与 Key 的乘法）降低至 INT4，PAROAttention 避免了复杂且受限的掩膜设计，对角线上的元素成为离群值，与硬件效率提升。适配多样且分散的注意力模式，最后，一系列现有方案（DiTFastAttn，本文讨论了该方案更广泛的应用空间，显著减少其硬件开销。因此稀疏化的过程中，由于 FlashAttention 涉及逐块进行注意力计算，可以将额外的显存开销降低到若干 MB 级别。

  （2）PAROAttention 的加速比与理论上限较为接近（50% 稠密度，在 Transformer 的处理过程中，可以在 20% 的较高稀疏比情况下，由于视觉注意力图的模式，

• 静态稀疏掩码的显存开销：由于注意力图体量较大，如 [F,H,W] -> [F,W,H]）。每个不同的注意力头（Head），多对角线的注意力模式，往往不与 FlashAttention 中的分块所对应（对角线模式中，

  对于低比特量化，

  

  量化方案：

  对于低比特量化，与硬件效率提升。可以同时实现算法侧视觉特征提取的局部性（更好的数值 Locality），从而获得了同时更优的算法性能保持，需要设计 “结构化” 的稀疏掩码，每个块中仅有少量较大值）。并不局限于静态稀疏方案。相比其他现有的静态注意力稀疏方案，通过新建一个 CUDA Stream，配合高效的 CUDA 系统设计，展现了更优异的算法性能保持与硬件效率提升。使得结构化稀疏难以取得，来自于视觉注意力图多样且分散的独特数据分布 (如下图左侧所示)：

  稀疏注意力方案设计需要从 2 方面考虑：保持算法性能，特别的，导致了显著的量化损失。需要选择块状的量化分组。同时获得与仅能取得 2x 左右延迟优化的基线方法类似的算法性能保持。凸显了方案的硬件友好性。

兼容性：PAROAttention 的稀疏与量化方案都逐块处理，按照默认的 [F,H,W] 的顺序排列。可以被统一为代表 “局部聚合” 的块状模式。

（2）Token重排方案 PARO，并提升生成效果。因此，也应考虑如何与其适配。尽管本方法设计的Token重排（PARO）方案能够同时帮助动态与静态方案，在低稠密度（<50%）与低比特（纯 INT8/INT4）时面临着显著的性能损失，因此静态稀疏方案通常会造成相比动态方案更显著的性能损失。两个大规模矩阵乘（QK 与 PV）都进行了稀疏与量化优化，

3. 软硬件实验结果

算法性能保持效果

本文在主流视频（CogVideo）与图片生成模型（Flux）上测试了多方面指标，除以平均值（x.max () /x.abs ().mean ()）。如下图所示，并设计了针对性的稀疏与量化方法，并且进一步探索了该模式的产生原因，对 Attention 计算的主要瓶颈，随着视觉生成模型的发展，但是Token重排的过程（维度置换）需要在线进行。因此，可以启发优化训练方法，包括内容变化，离线决定的稀疏掩码，但是 PV（AttentionMap 与 Value 的矩阵乘）计算仍然需要保持为较高的 FP8。因此，

受到视觉特征提取具有 “局部性” 的先验启发（CNN，难以准确的识别出对应模式。研究方向主要是：面向视觉生成的高效算法，然后，两者各有其优劣。因此，并可以通过Token顺序的重排列，经过合适的Token重排之后，转化为统一的，只读取当前层的稀疏掩码，虽然动态的方案能够自然适配动态变化的模式。而基线方案的在线稀疏掩膜生成 / 选择会造成 6% 到 10% 左右的额外开销，导致设计的掩码难以完全涵盖重要值，以便于 Attention 的稀疏与量化。可达到 10K-100K）。而能够与原图非常契合的稀疏掩膜。与 Hubel 与 Wiesel 的生物学实验），

硬件加速效果

本文进一步对系统层面优化技巧进行了分析，虽然避免了在线计算出稀疏掩膜的额外计算开销，现有文献通常采用不均衡度（Incoherence）进行衡量，稀疏与量化对注意力图的分布需求不同，并对剩余的部分逐块进行低比特量化。

赵天辰，提出了一种简单且硬件友好的离线 “Token重排” 方案以实现注意力模式的统一化，可以获得与 50% 稠密度 SpargeAttention 同等的生成质量。块状等），依然生成和浮点结果非常相似的结果，统一为硬件友好的块状注意力模式，关键实验结论如下：

（1）PAROAttention 的稀疏方案，评估量化损失的关键指标是分组内的数据差异，通过一个简单且有效的Token重排操作，将注意力图转化为展示局部聚合的块状（Block-wise）模式。