Lighthouse Attention, esta abordagem é bastante inteligente, faz uma triagem inicial e depois uma análise mais detalhada, finalmente não é mais necessário suportar o contexto longo de forma forçada

AIMPACT afirma que o mecanismo de pré-treinamento de contexto longo de código aberto Lighthouse Attention, desenvolvido pela Nous Research. Com uma única GPU B200, processa aproximadamente 17 vezes mais rápido textos de 512K, e com 98K, acelera de ponta a ponta entre 1,4 e 1,7 vezes. Este mecanismo realiza uma triagem inicial grosseira seguida de uma análise detalhada, filtrando os trechos essenciais através de múltiplos níveis de resumo e combinando-os em textos curtos, que são então processados pelo FlashAttention; a lógica de triagem está fora do núcleo, eliminando a necessidade de código de baixo nível e objetivos de treinamento adicionais. Para evitar que o modelo perca a capacidade de leitura palavra por palavra ao pular entre seções, durante o treinamento, a maior parte do processamento é feita em modo acelerado, retornando temporariamente à atenção total no final. Em experimentos com 530 milhões de parâmetros e 50 bilhões de tokens, o tempo de processamento diminuiu significativamente, e o desempenho final foi comparável ou até superior ao de métodos tradicionais.