网店运营推广高级实训教程汕头seo

论文：ICLR 2025 MLLM视觉VAR方法Attention重分配

Sink Token 是一种在语言模型(LLM)和多模态模型(MLLM)中用于优化注意力分配的关键机制，通过吸收模型中冗余的注意力权重，确保注意力资源不被无效或无关信息占用。以下是对这一概念的系统性解析：

• 比喻：想象你有一个"注意力垃圾桶"，模型会把不重要的信息扔进去，避免干扰关键任务。
• 定义：Sink Token 是模型中某些特殊标记（如文本中的标点、图像中的背景区域），它们会吸收大量注意力权重，但本身对输出贡献很小。

1. 语言模型中的 Sink Token

定义与本质

Sink Token 是特殊的标记(如预定义的BOS或可学习的占位符)，其隐藏状态在特定维度(Dsink)上表现出异常高的激活值。这些标记会吸引大量注意力权重，但对模型最终输出的实质性贡献极低。

关键功能

• 注意力重分配机制：通过将冗余注意力"汇聚"到这些特殊标记，防止无关信息干扰模型对核心内容的处理
• 长序列稳定性增强：在生成长文本时，Sink Token能有效稳定注意力分布，提高生成质量
• 内存效率优化：在StreamingLLM等流式处理架构中，Sink Token使模型能以恒定内存复杂度处理理论上无限长的序列

工作原理示例

当模型处理长文本时，标准Transformer架构会随着序列长度增加而导致注意力"稀释"，而Sink Token通过吸收部分注意力，使模型能够将剩余注意力更精确地分配给真正重要的标记。

2. 多模态模型中的视觉 Sink Token

特征与表现

在多模态模型(如LLaVA)中，视觉Sink Token指图像中那些与任务无关但错误地获得高注意力权重的区域。这些区域的隐藏状态同样在Dsink维度上具有异常高的激活值，这一特性是从基础语言模型中继承而来。

独特性质

• 注意力消耗与低贡献并存：尽管吸收大量注意力资源，这些视觉区域对答案生成几乎没有帮助（多项消融实验证实）
• 位置特征：视觉Sink Token常集中在图像背景或低信息密度区域
• 可识别性：通过分析注意力热图和Dsink维度激活模式可有效识别

优化方法：视觉注意力重分配(VAR)

研究提出了VAR方法，通过：

1. 识别视觉Sink Token区域
2. 动态抑制这些区域的注意力权重
3. 将"节省"的注意力预算重新分配给语义相关的视觉区域

3. Sink Token在不同模态中的对比

特性	语言模型Sink Token	多模态模型视觉Sink Token
形成机制	预定义标记或模型学习的占位符	图像中信息稀疏但获得过高关注的区域
识别方法	Dsink维度激活值分析	同左，但结合视觉注意力热图
优化目的	稳定长序列处理，降低注意力稀释	提升跨模态对齐精度，减少视觉噪声干扰

在语言模型中的表现：

• 例子：在生成文本时，模型会过度关注 BOS（开始标记）或标点符号（如逗号），即使这些标记本身无意义。
• 原因：这些标记的隐藏状态在特定维度（Sink Dimensions）上激活值异常高，导致注意力被"吸"过去。

在多模态模型中的表现：

• 例子：模型处理图像时，可能会持续关注背景的草地或天空（与问题无关的区域），即使问题问的是"图片里有没有狗"。
• 关键发现：这些视觉 Sink Token 的隐藏状态在 Sink Dimensions 上激活值很高，类似语言模型中的现象。

---

4.什么是 Sink Dimensions？

• 比喻：模型的隐藏状态是一个高维空间，Sink Dimensions 是其中某些"特殊坐标"，这些坐标容易被 Sink Token 占据。
• 定义：Sink Dimensions 是隐藏状态中一组特定维度（如 LLaMA-2 的 Dsink={1415, 2533}），Sink Token 在这些维度上的激活值异常高。

如何识别 Sink Dimensions？

• 步骤：

1. 计算激活值：对每个标记的隐藏状态，计算其在 Sink Dimensions 上的激活值。
2. 归一化：用均方根（RMS）归一化，避免数值过大。
3. 阈值判定：若某标记的 Sink Dimension Value > 阈值（如 T=20），则标记为 Sink Token。

通过归一化隐藏状态在 Sink Dimensions 上的激活值（Sink Dimension Value），若超过阈值（如 T=20），则标记为 Sink Token。

公式:

$$\text{Sink Dimension Value}=\frac{{\max }_{d\in D_{\text{sink}}}x[d]}{\sqrt{\frac{1}{D}{\sum }_{d=1}^{D}x[d{]}^2}}$$

其中 $x$ 为隐藏状态，$D$ 为总维度数。

可视化验证：

通过注意力图可视化发现，Sink Token 的注意力权重分布与关键视觉区域分离，且其隐藏状态在 Sink Dimensions 上显著突出

实验验证：

• 屏蔽实验：如果删除 Sink Token，模型性能几乎不变（如 LLaVA 屏蔽后准确率仅下降 0.1%）。
• 注意力图可视化：Sink Token 的注意力权重集中在图像背景，而非关键物体（如图6中的"logo"未被正确关注）。

---

VAR 方法（视觉注意力重分配）

核心思想：

• 问题：模型将过多注意力浪费在 Sink Token（如背景区域），而关键视觉信息（如目标物体）未被充分关注。
• 解决方案：从 Sink Token 中"回收"注意力预算，重新分配给重要区域。

具体步骤：

1. 识别 Sink Token：

• 通过 Sink Dimensions 筛选出高激活值的视觉标记（如背景区域）。
• 示例：若某图像区域的隐藏状态在 Dsink={1415, 2533} 上激活值 >20，则标记为 Sink Token。

2. 选择以图像为中心的注意力头：

• 筛选标准：
  • 舍弃对视觉标记总注意力权重 <0.2 的头（这些头不关注图像）。
  • 选择"视觉非汇比率"（rh）>0.6 的头（rh = 非 Sink Token 的注意力权重占比）。
• 作用：这些头更关注与文本相关的视觉区域（如图4中"滑板"问题对应的注意力头）。

3. 重分配注意力权重：

• 提取预算：从 Sink Token 的注意力权重中提取比例 p（如 p=0.6）作为预算 Ω。
• 重新分配：将 Ω 按原始注意力权重比例分配给非 Sink Token。
• 公式：
  $$a_{i,j}^{\text{新}}=a_{i,j}+\Omega \cdot \frac{a_{i,j}}{{\sum }_{k\in \text{非汇标记}}{a}_{i,k}}$$
• 效果：关键区域的注意力权重增强，背景区域的权重降低。

---

总结

• Sink Token 是模型中吸收冗余注意力的标记，Sink Dimensions 是它们的"藏身维度"。
• VAR 方法 通过"回收-重分配"机制，让模型更关注关键视觉信息，无需训练即可提升性能。