待验证50% 置信事实精确时间
HSTU采用线性复杂度的注意力变体，使其处理长度超过数千的行为序列时计算量不会出现平方级增长
1
来源数
50%
置信度
长期有效
时效性
2026/9/30
首次发现
来源
涉及实体
相关事实
待验证SSM在长序列处理上具有线性时间复杂度优势，而标准Transformer的注意力计算复杂度为序列长度的平方71% 相似待验证线性注意力、稀疏注意力和State Space Models（如Mamba）能将计算复杂度降至线性级别，为百万级上下文窗口打开大门68% 相似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67% 相似待验证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 token66% 相似待验证该模型使用双向注意力编码器架构，一次前向计算完成，延迟是常数级的，不随内容长度线性增长66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/963177API
curl https://kongchang.com/api/v1/knowledge/claims/963177MCP
get_claim(id=963177)