为什么长文本推理特别慢？

注意力核心项是 S²·d，序列翻倍算力翻约 4 倍；KV 缓存虽降重算，但注意力矩阵仍随上下文长度平方增长，故长上下文成本陡增。

FLOPs 和显存是一回事吗？

不是。FLOPs 衡量算力(时间)，显存衡量参数与激活的存储(空间)。量化降显存但不降 FLOPs，稀疏/蒸馏可同时降两者。

🧮 Attention FLOPs Estimator

Estimate the floating-point operations of a single attention layer and of the whole model from sequence length, head count and hidden size.

📐 计算公式 / 原理

单层 FLOPs ≈ 2S²d (QKᵀ) + 2S²d (AV) = 4S²d；全模型 GFLOPs = 单层 × 层数 / 10⁹

自注意力的两次矩阵乘各为 S×S×d 规模，乘加各算一次故乘 2，合计 4S²d，随序列长度呈平方增长——这正是长上下文成本暴涨的原因。线性注意力与稀疏注意力正是为打破这一 S² 项。

序列长度

维度

层数

单层注意力算力

S=1024, h=16, d_head=64(总 d=1024)：S² 项≈2×1024²×1024≈2.15×10⁹ FLOPs；投影 4·S·d²=4×1024×1024²≈4.29×10⁹。单层约 6.4×10⁹ FLOPs，12 层约 7.7×10¹⁰。

为什么长文本推理特别慢？: 注意力核心项是 S²·d，序列翻倍算力翻约 4 倍；KV 缓存虽降重算，但注意力矩阵仍随上下文长度平方增长，故长上下文成本陡增。
FLOPs 和显存是一回事吗？: 不是。FLOPs 衡量算力(时间)，显存衡量参数与激活的存储(空间)。量化降显存但不降 FLOPs，稀疏/蒸馏可同时降两者。

Item	Formula / Note	Source / Standard
Attention cost	self attention scales with the square of sequence length times width	Attention Is All You Need
Linear cost	feed-forward and projection layers scale with length times width squared	Attention Is All You Need
Long sequence trade-off	doubling length quadruples attention cost and dominates runtime	Efficient attention literature