待验证50% 置信事实精确时间

Transformer架构的自注意力机制计算复杂度为O(n²)，当n从8K增长到128K时理论计算量增长256倍

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

用看板治理AI上下文膨胀：并行Agent实战方案

涉及实体

Transformerconcept 自注意力机制concept

相关事实

待验证自注意力机制的计算复杂度和内存占用均为O(n²)，输入从1K增加到10K tokens时计算量增加约100倍74% 相似待验证从1.0mp到2.5mp的分辨率提升，其时间成本增长通常远超2.5倍，因为自注意力计算复杂度与token数量的平方成正比70% 相似待验证液态卷积的计算复杂度与序列长度呈线性关系O(n)，而非自注意力的平方关系O(n²)，处理128K Tokens时计算量仅为注意力层的约1/100068% 相似待验证处理128K Token序列所需的注意力矩阵大小是8K Token序列的256倍67% 相似待验证将上下文从128K扩展到1M，理论计算量会增加约60倍66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/894961

API

curl https://kongchang.com/api/v1/knowledge/claims/894961

MCP

get_claim(id=894961)