RAM团队 投稿
量子位 | 公众号 QbitAI
让大模型像人类一样阅读！通过精读略读实现性能与效率的双重飞跃。
在长上下文场景中，Transformer架构的二次计算复杂度让推理速度急剧下降，而人类面对长文档时却能游刃有余——我们不会逐字阅读整本小说，而是对关键情节精读，对背景描述略读。
来自清华大学、鹏城实验室与阿里巴巴未来生活实验室的联合研究团队发现：现有任务相关的压缩方法不仅陷入效率瓶颈——要么一次性加载全文（效率低），要么自回归逐步压缩（速度慢），更难以兼顾“保留关键信息”与“保持自然语言可解释性”。
受人类阅读认知启发，他们提出全新框架RAM（Read As HuMan），首次将“精读+略读”的混合策略引入上下文压缩，不仅在多个长文本基准上取得卓越表现，更在平均1.6万token的输入上实现12倍端到端加速。
像人类一样阅读：精读重要内容，略读背景内容
研究团队从认知科学中汲取灵感：人类阅读时会动态分配注意力——对与目标高度相关的内容进行精读（close reading），保留全部语义细节；对次要背景信息采用略读（skimming），快速提取核心语义。
RAM将这一行为转化为可计算的自适应压缩策略：
精读区：高相关片段完整保留原始文本，确保关键信息零损失，维持自然语言可解释性
略读区：低相关片段通过查询引导压缩为单个语义向量，极致削减冗余内容
混合表示：精读文本与略读向量按原顺序拼接，形成“显式+隐式”混合上下文，既保留关键细节又大幅缩短长度
更关键的是，RAM突破了现有方法的效率瓶颈：所有片段与查询并行编码，彻底规避了全文一次性加载的二次复杂度，也摆脱了自回归压缩的串行等待，真正实现“压缩即推理”的高效流水线。
授人以渔：让模型学会“何时精读、何时略读”
仅有策略不够，如何让模型精准判断“哪些内容值得精读”？RAM引入对比学习优化决策边界：
利用正负样本对（含答案片段/无关片段）训练查询-片段相关性判别器
通查询引导的注意力计算计算片段重要性，动态决定段落的保留（精读）和压缩（略读）
略读过程采用查询引导加权平均：对每个token计算与查询的相似度，聚焦提取与任务相关的语义“精华”
这种设计使RAM在训练阶段仅需单次训练，即可泛化至多种任务（问答、摘要）与任意压缩比例（2x–32x）。更令人惊喜的是，尽管训练时最大长度仅2万token，RAM在3.2万tokens的NarrativeQA测试中性能反超未压缩原文，展现出强大的长度外推能力——它学会的不是记忆固定模式，而是组合式语义表征。
实践出真知：效率与性能的双重飞跃
多种任务上表现出色
在NaturalQuestions、HotpotQA等四大问答基准与MultiNews摘要任务上，RAM以LLaMA-3.1-8B和Qwen3-4B为基座，在4x/8x压缩下均展现出优越性能。以Qwen3-4B为例，4x压缩时EM分数达66.59（输入原文时32.77），证明压缩非但未损伤性能，反而通过去噪提升了推理质量。
12倍加速，长文秒级响应
在平均1.6万token、最长3.2万token设置的NarrativeQA数据集上，RAM端到端延迟仅0.20秒（32x压缩），相比于输入原始提示词（端到端时延1.23秒）——提速约6倍。压缩阶段耗时仅0.08秒，真正实现“压缩成本可忽略”。
压缩鲁棒性：从2x到32x稳如磐石
当压缩率从2x提升至32x，RAM的EM分数仍稳定高于基线。这证明RAM在各种压缩率下的表现具有鲁棒性，从2倍压缩率到32倍压缩率稳如磐石。
总结
RAM的工作为长上下文LLM部署提供了新范式：它不再将压缩视为“不得已的妥协”，而是通过模拟人类认知策略，将效率与性能转化为协同增益。
方法论创新：首次将“精读+略读”混合策略算法化，打破效率-保真度权衡
工程突破：并行化设计使压缩成本趋近于零，真正满足工业级实时需求
认知启示：证明借鉴人类信息处理机制，可为AI系统设计提供强大灵感
当大模型学会像人类一样“有重点地阅读”，长文本不再是负担，而是可高效驾驭的知识海洋。RAM不仅压缩了上下文长度，更压缩了AI与人类认知之间的距离。
论文标题：
Read As Human: Compressing Context via Parallelizable Close Reading and Skimming
论文链接：
https://arxiv.org/abs/2602.01840
代码链接：
https://github.com/Twilightaaa/RAM
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
我们正在招聘一名眼疾手快、关注AI的学术编辑实习生 🎓
🌟 点亮星标 🌟
