在Agent模型与应用迅猛发展的当下，如何精准且高效地处理超长文本，已成为大模型领域亟待攻克的关键难题。Agent不仅要能在超长上下文中完成稳定的检索、推理以及多轮规划任务，还需在推理阶段保持足够快的响应速度。此时，最大的挑战已从“能否计算”转变为“能否算得起”。
面对这一挑战，小米MiMo大模型团队推出了HySparse架构，这是一种专为Agent时代打造的混合稀疏注意力架构。该架构采用“极少的全注意力（Full Attention）+ 稀疏注意力（Sparse Attention）”的核心设计理念，旨在实现效果与效率的完美平衡。
在多项通用、数学、代码以及中文评测中，HySparse架构展现出了卓越的性能。无论是7B Dense规模还是80B MoE规模，HySparse均能为模型带来显著提升。以80B - A3B MoE模型实验为例，在总共49层的模型中，HySparse仅保留5层Full Attention，却依然能够保持甚至提升模型的整体能力。同时，KV Cache存储降低至原来的1/11，真正做到了在保证效果的同时大幅提升效率。
RULER长文测试的结果进一步证明了HySparse架构的优势。即便将Full Attention层压缩到极少数，该架构也能稳定地保持对长距离关键信息的访问能力，充分彰显了其混合稀疏结构的独特魅力。
HySparse架构的创新之处在于其采用了hybrid block结构。每个hybrid block由1层Full Attention和N层Sparse Attention组成。在hybrid block内部，Sparse Attention层不再独立进行token选择和维护全量KV，而是直接复用前置Full Attention层生成的重要token索引和KV Cache。这一设计背后的逻辑在于，Full Attention在完成自身计算的同时，已经生成了KV Cache，并且计算出了最准确的token重要性信息，后续的N个Sparse Attention层自然可以直接复用这些信息。
可以认为，HySparse架构是在MiMo - V2 - Flash的Hybrid SWA结构基础上进行的优化升级。它为SWA增加了全局的、更重要的token信息补充，这一改进不仅提升了模型性能，而且没有增加KV Cache存储，也没有显著增加计算开销。
目前，小米MiMo团队已计划在更大规模的模型上进一步验证HySparse架构的极限和潜力。同时，团队还将持续探索降低Full Attention层数量的可能性，力求让超长上下文的处理变得更加高效。HySparse架构为Agent时代的超长文本处理提供了高效精准的技术解决方案，也为大模型高效注意力结构的研究与落地提供了全新的参考范例。
