把 LLM 推到 1M token 上下文这件事,过去两年反复回到同一个死结:全注意力算不动,稀疏注意力选不准 chunk。arXiv 2607.02980 抛出的 HiLS(Hierarchical Landmark Sparse)Attention 给出了第三条路——把"chunk 选择"放进 LM 损失端到端训练,而不是用 mean-pooling 或启发式规则凑合。 HiLS 把检索分数显式写进前向注意力:query 与 chunk 的 landmark 交互打分,再按这个分数融合每个被检索 chunk 的输出,梯度直接回流到 retrieval 头。等于用同一个目标函数协同优化"会选块"和"会用块",从机制上解决了 NSA、DashAttention、InfLLM v2 等前辈"有检索但不够准"的通病。 结果相当硬核:345M 模型在 8K 训练上下文上,RULER 512K 单针检索仍能保持 99% 准确率,1M token 还能跑到 96%——64× 长度外推;Olmo3-7B base 切到 HiLS 后,激活不超过 2K token 就能跑赢 Full-Attn HoPE;1.4B 从零训练 300B token,稀疏训练与稠密在领域内任务上几乎对齐。 真正的副产品是"无限上下文训练"第一次变得可行:训练长度天然受注意力成本限制,但只要选块足够准,稀疏检索的固定开销可以让 256K、1M、乃至更长的训练上下文计算量保持有界。HiLS 用端到端学习把"长上下文"从工程 trick 拉回到数学建模——稀疏检索一旦准了,后面拼多少 token 长度只是算力预算问题。