待验证50% 置信事实精确时间
大语言模型的注意力机制计算复杂度与序列长度的平方成正比，处理200K token上下文的计算成本远超过处理50K token
1
来源数
50%
置信度
长期有效
时效性
2026/8/25
首次发现
来源
涉及实体
相关事实
已验证自注意力机制使计算复杂度随序列长度呈二次方增长，上下文从1000扩展至4000 token计算量增加16倍80% 相似已验证注意力机制的计算复杂度随上下文窗口长度呈平方级增长，导致推理延迟与成本急剧上升72% 相似待验证在推理阶段内存带宽往往比纯算力更早成为瓶颈，注意力机制需在每步生成时读取全部KV缓存，上下文长度增大时内存读写开销呈平方级增长72% 相似待验证即使支持128K或更长上下文的大语言模型，在一次性注入所有能力指令时也会出现注意力稀释（Attention Dilution）问题，导致特定任务执行质量下降71% 相似待验证Reasoning Effort档位越高，模型可消耗的思考Token上限越大，但延迟和Token成本相应线性乃至超线性增长69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/798418API
curl https://kongchang.com/api/v1/knowledge/claims/798418MCP
get_claim(id=798418)