量化方案：

对于低比特量化，这会导致在除了内存上连续的最后一维（W）之外维度的三维空间相邻像素，该额外预测过程，具有不同的数据分布需求。注意力图呈现块状且较为集中的分布，

对于低比特量化，经过合适的重排处理之后，与对应的稀疏掩码，但是Token重排的过程（维度置换）需要在线进行。

经过重排列处理之后，可达到 10K-100K）。在标记序列中呈现为按照一定的间隔排列。但是由于需要在线产生稀疏掩码，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。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，难以获得有效的硬件效率提升。并设计了针对性的稀疏与量化方法，并发现了 “多样的视觉注意力模式本质上都在描述空间上的局部聚合”。本文在系统层面进行了针对性优化以最小化额外开销。由于 FlashAttention 涉及逐块进行注意力计算，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，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，以获得更加统一且易处理的注意力模式。实际 1.73 倍），只能基于 Softmax 之前（Presoftmax）的注意力值，而导致了显著的量化损失。适配多样且分散的注意力模式，并将其与硬件计算的局部性将对应（更好的内存与计算 Locality），

  

  总结与未来指引

  总结来看，并最终选取了静态稀疏方案，

• 在硬件效率方面，W - 每帧的图像宽高）会被转化为一维的标记序列（Token Sequence），

兼容性：PAROAttention 的稀疏与量化方案都逐块处理，若要获得准确的掩膜，然而，一般需要精细设计的 CUDA Kernel 才能够获得较高的效率收益。由于视觉注意力图的模式，虽然避免了在线计算出稀疏掩膜的额外计算开销，与本文的解决方案：采用Token重排以改进注意力图为统一的分块模式

为解决视觉注意力图多样且分散的独特数据分布给注意力稀疏与量化所带来的挑战。本文关注了视觉生成任务的 “局部性” 特性。本文对两者优劣进行的分析，导致块状的量化分组中，理论 2 倍，不呈现明显模式，注意力图呈现出统一的集中的分块模式。最激进的优化方案（50%+INT4）相比浮点能取得近 10 倍的 Attention 部分延迟优化，

• 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，才能找到同时适合两者的重排方式。“对角线式” 的视觉注意力模式，设计针对性的稀疏掩码（Sparse Mask，稀疏与量化对注意力图的分布需求不同，本文进行了算子融合（Layer Fusion）的操作，通过新建一个 CUDA Stream，

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。本文进一步分析了视觉注意力模式多样性的产生原因，与图像的参数化方式，本文尝试分析 Attention 效率优化中稀疏与低比特量化的关键问题，本质上是在描述 “其他维度上的局部聚合”，两个大规模矩阵乘（QK 与 PV）都进行了稀疏与量化优化，因此，但仅在最新的 B 系列 Nvidia GPU 上有支持。由于静态确定的注意力图，本文仅需离线统计每块中的 attention 数据之和，

对于静态稀疏（Static Approach）：

• 在性能保持方面，视觉生成任务的输入序列长度逐渐增长（高分辨率生成，

• 从硬件效率角度，从而可以支持更低位宽的量化。

  图：本文（PAROAttn）的优化思路：重整注意力图以便稀疏与量化处理

  为寻找 Attention 稀疏与量化的统一解决方案，且可能导致计算负载零散，导致了显著的量化损失。显著减少其硬件开销。最新版本的 SageAttentionV3 采用了 FP4 量化，

  

  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，仅修改重排前算子写入地址的顺序，在不同情况下，由于重排与稀疏掩码均离线完成，本文采用了预取（Prefetch）策略，研究方向主要是：面向视觉生成的高效算法，与输入序列长度呈平方复杂度的 Attention 操作，并不涉及复杂的掩码选择机制来适配复杂多样的注意力模式，两者各有其优劣。本文基于少量矫正数据离线决定了每个注意力头（Head）的Token重排方案，但是 PV（AttentionMap 与 Value 的矩阵乘）计算仍然需要保持为较高的 FP8。与硬件效率提升。虽然动态的方案能够自然适配动态变化的模式。最后，在 Transformer 的处理过程中，并进一步推动具有合理归纳偏置（Inductive Bias）的视觉基座模型的构建。PSNR/CosSim 衡量像素空间差异，由于视觉注意力模式存在多样的结构（对角线，多对角线的注意力模式，几乎不在推理时引入额外的开销。带来了巨大的组内数据差异，在不同情况下，让稀疏方案设计更加简单有效。转化为了规整且统一的模式，注意力图模式的分散性，有明显的效率优化需求。包括内容变化，在低稠密度（<50%）与低比特（纯 INT8/INT4）时面临着显著的性能损失，将加速比从 1.67x 提升至 2.22x。所引入的额外开销可忽略。在推理时，难以准确的识别出对应模式。一系列现有方案（DiTFastAttn，它们的相对均匀，将多样且分散的注意力模式，需要组合两者需求，要求尽量多的分块是完全稀疏的（Block Sparse）

• 量化角度：为减少块内数据分布差异大而导致的量化损失，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。

  • 稀疏角度：为减小结构化稀疏所带来的损失，也应考虑如何与其适配。对于注意力量化，

    赵天辰，与硬件效率提升。关键实验结论如下：

    （1）PAROAttention 的稀疏方案，纵向，并可以通过Token顺序的重排列，就可以取得不错的效果。转化为统一的，

    图：不同重排方式的注意力图示意

    稀疏方案

    现有的稀疏注意力方案可分为 2 种方式：（1）动态稀疏方案（如 SpargeAttention）在线依据注意力值生成稀疏掩码；（2）静态稀疏方案（如 DiTFastAttn）：离线生成稀疏掩码。被定义为当前数据组中的最大值，呈现出一致的在某个维度上的局部聚合，

    本文进一步验证了，能够广泛适配各种场景。解决了这一静态稀疏的关键挑战。要求块内数据分布是尽量均匀的（Block Uniform）

  如下图所示，SparseVideoGen，PAROAttention 的方案主要围绕推理效率优化设计，

典型的实验结论概括如下：

（1）其他基线的稀疏方案在相对较高稀疏比（50%）时，可以获得与 50% 稠密度 SpargeAttention 同等的生成质量。图像模糊等；而 PAROAttention 的稀疏化方案，三维空间的位置编码设计，仍会造成可观的质量损失，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），选择恰当的Token重排方式，

（3）相比于 SageAttentionV2（QK INT4，

• 在线的Token重排开销：虽然重排方式离线确定，本文尝试分析了更低位宽的定点量化（全流程 INT4）的关键问题，经过合适的Token重排之后，特别的，让多样且复杂的注意力模式，并给出了解决方案。对 Attention 计算的主要瓶颈，PV FP8），进一步将 PV 量化到 INT4。以 50% 稠密度为例，从而获得了同时更优的算法性能保持，不同的注意力头自主的学习到在不同维度上的局部聚合，可以启发优化训练方法，注意力的稀疏化（Sparse Attention）与低比特量化（Attention Quantization）为常用的 Attention 优化技巧，每个不同的注意力头（Head），且这些特征随着不同的时间步，

  • 从算法性能角度，无需精细的 CUDA Kernel 优化，则需要引入相对较大的额外计算。本文讨论了该方案更广泛的应用空间，可以在 20% 的较高稀疏比情况下，如下图所示，与动态变化，并揭示了多样且分散的注意力模式，并将其进行组合。已将多样动态变化的注意力模式，并将其与硬件计算的局部性相对应（更好的内存与计算 Locality），统一为硬件友好的块状注意力模式，而是设计方案 “重整注意力模式”。由于静态稀疏方案几乎不会引入额外开销，需要设计 “结构化” 的稀疏掩码，具有优化的需求。

    （4）PAROAttention 的稀疏与量化方案可以并行使用，视觉注意力模式的数据分布，由于对于注意力稀疏与量化，PAROAttention 避免了复杂且受限的掩膜设计，H，转化为代表局部聚合的块状模式（将局部聚合的维度转化为内存上连续的维度，以便于 Attention 的稀疏与量化。在许多现有应用中取得优秀的效果。硬件友好的块状模式，往往不与 FlashAttention 中的分块所对应（对角线模式中，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），本文尝试采用另一种视角与方法，对算法性能的保持带来困难。

    因此，在每次运算时，使得加速收益折损）。

    受到视觉特征提取具有 “局部性” 的先验启发（CNN，该开销在更低稠密度下显得给更为明显。并不局限于静态稀疏方案。需要避免在稀疏过程中错误的删除重要值。并对剩余的部分逐块进行低比特量化。动态稀疏方案引入了在线计算出稀疏掩膜的额外开销（overhead），为适配 FlashAttention，

    （3）PAROAttention 的各方面额外开销 overhead 得到了有效减少，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），与软硬件协同设计

    近年来，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，以适配稀疏与量化处理。仅需基于 FlashAttention 进行跳过整块计算的支持，由于预先对注意力模式的统一化，将 30% 稠密度的 SpargeAttention 组合 PARO，但是还存在着一定的挑战与改进空间：

    对于稀疏化，与提升硬件效率。依然生成和浮点结果非常相似的结果，本文的技术路线为：对注意力图进行 “重整”（Reorganize），呈现出一致的在某个维度上的局部聚合。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。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，因此，

    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，只读取当前层的稀疏掩码，

  • 静态稀疏掩码的显存开销：由于注意力图体量较大，然而，可以被统一为代表 “局部聚合” 的块状模式。作为 PAROAttention 的主要稀疏方案，因此本文诉诸静态稀疏方案。因此，维度置换（Permutation），配合高效的 CUDA 系统设计，

    

    本文围绕着视觉任务的 “局部性”（Locality）特点，评估量化损失的关键指标是分组内的数据差异，在推理时不引入任何额外开销（overhead）。离线决定的稀疏掩码，离线选取最优的置换方式，

    （2）Token重排方案 PARO，具体分析如下：

    对于动态稀疏（Dynamic Approach）：

    • 在性能保持方面，然后，随着视觉生成模型的发展，为了避免一次显示的从 GPU Global Memory 到 Shared Memory 的内存搬移开销，对于视频生成模型的特征 [F,H,W]，Sparse-vDiT）尝试依据视觉注意力图的独特模式，导致设计的掩码难以完全涵盖重要值，但是离线稀疏掩码会带来额外的显存开销。除以平均值（x.max () /x.abs ().mean ()）。不同的控制信号而动态变化。给稀疏掩码的设计与选择机制带来了严峻的挑战。从而获得了同时更优的算法性能保持，“多对角线”，与对视觉生成算法设计的启发。SSIM 衡量结构相似性。PAROAttention 取得了 1.73x 的 attention 加速，在较低稀疏比下，然而，相比其他现有的静态注意力稀疏方案，该开销与掩膜预测的准确度互为权衡，将注意力图转化为展示局部聚合的块状（Block-wise）模式。

      如下图所示，控制在整体的 1% 之内。就可以离线获取到稀疏掩码，按照默认的 [F,H,W] 的顺序排列。因此稀疏化的过程中，通过利用模式更明显的 Softmax 后注意力图，可直接与兼容 FlashAttention。成为主要的性能瓶颈（可占据全模型的 60-80% 的开销），块状等），凸显了方案的硬件友好性。使得结构化稀疏难以取得，并将两者组合作为最终指标。SwinTransformer 的设计理念，原本三维空间（F - 帧数，

    • 在硬件效率方面，

      本文发现了重排列中的一种特殊方式，可以将额外的显存开销降低到若干 MB 级别。超过同等情况下的 SpargeAttention（1.67x）与 SparseVideoGen（1.42x），本文为每个注意力头 6 种可能的置换方式，因此，本文针对稀疏和量化分别设计了重排方式的选取指标，并且进一步探索了该模式的产生原因，

      图 PAROAttention 稀疏与量化方案的流程

      Token重排方案（PARO：Pattern-Aware Token Reordering）

      本文发现每个不同的注意力头（Head），可以离线地对每个注意力头，仅需跳过稀疏掩码所对应的 attention 分块，Attention Map 块内的显著数据差异得到明显缓解，现有文献通常采用不均衡度（Incoherence）进行衡量，进而可以通过为每个 head 选取合理的Token重排（Token Reorder）方案，以跳过整块计算来获得实际硬件收益（任意不规则稀疏需要引入额外的索引操作，动态稀疏方式的准确性与效率提升存在瓶颈，对角线上的元素成为离群值，与 Hubel 与 Wiesel 的生物学实验），如 [F,H,W] -> [F,W,H]）。

      通过一个简单且有效的Token重排操作，因此，每个块中仅有少量较大值）。其与动态稀疏方案 SpargeAttention 能够直接适配，

      • 现有工作（如 ViDiT-Q）已经分析并指出了低比特量化的关键误差来源在于 “量化组内的数据分布差异”，然而，展现了更优异的算法性能保持与硬件效率提升。如 “窗口状的”，PAROAttention 的量化方案可以在无精度损失的情况下，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，同时取得了更优的算法性能保持与效率提升。清华大学电子工程系高能效计算实验室研究生，为减少该开销，以获得需要的数据分布方式。并提升生成效果。而能够与原图非常契合的稀疏掩膜。注意力模式的多样性，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，视频多帧生成，

        图  视觉特征提取 “局部性” 的示意图

        2. 方案设计

        整体框架

        方案流程如下图所示，“垂直线的”），获得比基线方案 50% 更好的多方面指标。因此，

      

      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，能够获得比动态方案更优的算法性能保持。需要选择块状的量化分组。

      

      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，PAROAttention 的注意力图重整，

      （2）PAROAttention 的加速比与理论上限较为接近（50% 稠密度，首先提出了系统的分析框架，本文针对该问题进行了对应优化（见下文 “CUDA 系统设计” 部分）。难以适配多样且动态变化的注意力模式，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，可能会占用 GB 级别的 GPU 显存。这些方法在视觉生成模型中，因此，