70萬獎(jiǎng)金，邀你寫算法：代碼將合入 SGLang 主線

前兩天，面壁智能發(fā)了 MiniCPM-SALA，一個(gè) 9B 參數(shù)的模型，用的是全新的「稀疏+線性」混合注意力架構(gòu)。同一天，他們聯(lián)合 SGLang 和 NVIDIA 發(fā)起了一場比賽：SOAR 2026 稀疏算子加速大獎(jiǎng)賽

總獎(jiǎng)金超過 70 萬人民幣，單支隊(duì)伍最高可得62萬
先說比賽，再聊技術(shù)

這場比賽在比什么

一句話：在消費(fèi)級 GPU 上，把 MiniCPM-SALA 的推理速度榨到極限

參賽者拿到的是面壁提供的 MiniCPM-SALA 模型（可以用官方量化版本），在 NVIDIA RTX PRO GPU 上做推理優(yōu)化。算子融合、Kernel 優(yōu)化、KV 讀寫優(yōu)化、Prefill/Decode 路徑優(yōu)化、圖編譯，都可以搞。評測指標(biāo)就一個(gè)：跑完所有請求的總墻鐘時(shí)間，越短越好

硬件方面，需采用 NVIDIA 高端 RTX GPU，與 SALA「端側(cè)跑百萬上下文」的定位是對齊的

2月25日比賽測速平臺即將開放，下面這個(gè)是賽程安排，每周都會評選出周冠軍并發(fā)獎(jiǎng)（3月4日將產(chǎn)生第一個(gè)周冠軍）

SOAR 2026 賽程時(shí)間線： https://soar.openbmb.cn/competition 獎(jiǎng)金結(jié)構(gòu)

總決賽冠軍21萬，亞軍7萬，季軍3.5萬

同時(shí)，半決賽冠軍7萬。每周還有周冠軍拿7000塊（一共 9 個(gè)周冠軍，3月4日將產(chǎn)生第一個(gè)周冠軍）

但最值得看的是「特別懸賞獎(jiǎng)」：28 萬

特別懸賞獎(jiǎng)比冠軍獎(jiǎng)金還高

拿這個(gè)獎(jiǎng)的條件是：總榜第一 + 推理性能超越官方設(shè)定的「極速挑戰(zhàn)線」 + 代碼合入 SGLang 主線倉庫。如果冠軍同時(shí)滿足條件，單支隊(duì)伍最高可以拿走 62 萬+

獲獎(jiǎng)還有一個(gè)前提：周冠軍、半決賽冠軍、總決賽冠軍都需要提交技術(shù)博客，冠軍代碼要審核通過并合入 SGLang 主倉。所有參賽代碼按 Apache 2.0 開源

也就是說，比賽產(chǎn)出的每一份優(yōu)化最終都會進(jìn)入 SGLang 開源倉庫，所有人都能用

怎么參加

3 人以內(nèi)組隊(duì)，免費(fèi)報(bào)名，5 月 27 日前都能報(bào)。2 月 25 日正式開始提交，3 月 4 日榜單開啟。每個(gè)團(tuán)隊(duì)每天最多提交 3 次

比賽周期從 2 月 11 日到 5 月 29 日，中間 4 月 9 日到 15 日有休賽期。半決賽節(jié)點(diǎn)是 4 月 8 日，總決賽 5 月 29 日

官方不提供 GPU 算力，選手自行準(zhǔn)備或租用 RTX PRO（或等效）資源。有困難的可以聯(lián)系大賽合作伙伴 FCloud

溝通渠道是 GitHub Issues（技術(shù)問題）、contact@openbmb.cn（賽務(wù)）、飛書和 Discord 社區(qū)。每月有一次線上 AMA，SGLang 核心開發(fā)者和 NVIDIA 技術(shù)專家參與

技術(shù)背景：SALA 到底解決什么問題

作為背景，Transformer 處理長文本有兩堵墻

第一堵是計(jì)算墻。標(biāo)準(zhǔn)注意力的計(jì)算量隨序列長度平方級增長，百萬 token 的 prefill 階段延遲會爆炸

第二堵是顯存墻。自回歸生成時(shí)要存所有歷史 token 的 KV Cache，一個(gè) 8B 模型處理百萬 token，KV Cache 就能占幾十到上百 GB 顯存

目前兩條主流路線，各解決了一半問題

稀疏注意力（DeepSeek 的 NSA、面壁自己的 InfLLM-V2 都屬于這條線）：每個(gè) token 只看一部分關(guān)鍵的 KV，計(jì)算量下來了。但 KV Cache 還是全量存著，顯存問題沒動(dòng)

線性注意力（MiniMax 的 Lightning Attention、月暗面的 KDA 屬于這條線）：把復(fù)雜度從 O(N2) 降到 O(N)，KV Cache 也壓縮了。但這是有損壓縮，長距離信息的召回精度會掉

SALA 的做法是把兩條線混在一起用
75% 的層用 Lightning Attention（線性），25% 的層用 InfLLM-V2（稀疏）

MiniCPM-SALA 模型架構(gòu) 兩篇論文支撐這個(gè)架構(gòu)

SALA 背后是清華 NLP 組和 OpenBMB 的兩篇論文，分別解決稀疏和線性兩個(gè)模塊的問題

InfLLM-V2：稀疏注意力怎么做

先說行業(yè)里已有的方案。DeepSeek 的 NSA 引入了 3 套 KV 投影參數(shù)、3 個(gè)注意力模塊（壓縮注意力、選擇注意力、滑窗注意力）、外加一個(gè)門控 MLP 來融合三路輸出。能用，但問題也明顯：參數(shù)多、計(jì)算重、跟標(biāo)準(zhǔn)的「短文本預(yù)訓(xùn)練 → 長文本微調(diào)」流程不兼容

InfLLM-V2 的思路是零額外參數(shù)。直接復(fù)用 dense attention 的 KV 投影權(quán)重，把選擇注意力和滑窗注意力合并成一個(gè)統(tǒng)一的稀疏模塊，去掉壓縮注意力的輸出（只保留它的 score 用來做塊選擇）

實(shí)際效果：訓(xùn)練時(shí)從 dense 切到 sparse 幾乎沒有 loss 跳變（NSA 切換時(shí) loss 會飆），短文本直接用 dense 模式不掉速，長文本切 sparse 模式在 A100 上最高比 FlashAttention 快 7.4 倍，4090 上最高 9.3 倍

這些加速數(shù)據(jù)是在 kernel 層面的對比。在端到端推理上，128K 序列長度下 prefill 加速 2.13 倍，decode 加速 2.32 倍（4090，W4A16 量化）

對參賽選手來說，這里面的塊選擇機(jī)制（Block Selection）和 LSE Approximation 是關(guān)鍵優(yōu)化點(diǎn)。論文里也寫了，max-pooling 和 top-k 操作還沒有 fuse 進(jìn) kernel，留給了「future work」

HypeNet + HALO：線性注意力怎么接進(jìn)來

從頭訓(xùn)練一個(gè)混合架構(gòu)模型成本很高。HALO 是一個(gè)蒸餾流程，把已經(jīng)訓(xùn)練好的 Transformer 模型轉(zhuǎn)換成 RNN-Attention 混合模型

之前的轉(zhuǎn)換方法（Mamba-in-the-Llama、SMART、RAD、Jet-Nemotron）需要 7B 到 400B tokens 的訓(xùn)練數(shù)據(jù)

HALO 只要 2.3B tokens，不到預(yù)訓(xùn)練數(shù)據(jù)的 0.01%

流程分三步：先做隱狀態(tài)對齊（讓 RNN 層的輸出逼近對應(yīng)的 attention 層），然后做注意力層選擇（決定哪些層保留為 attention、哪些轉(zhuǎn)成 RNN），最后做知識蒸餾和微調(diào)

注意力層選擇的策略也值得一看。HALO 的判斷標(biāo)準(zhǔn)是：替換某一層后，召回能力（NIAH 類任務(wù)）掉得多、通用能力（常識推理）掉得少的層，優(yōu)先保留為 attention 層。最終 25% 的層保持 attention，75% 轉(zhuǎn)成 RNN

RNN mixer 用的是 Lightning Attention。論文里比了 GLA、Mamba2、GDN、RWKV-7 等幾種選擇，Lightning Attention 的長度泛化能力最好。一個(gè)可能的原因是它用的是數(shù)據(jù)無關(guān)的遺忘門（data-independent forget gate），反而比數(shù)據(jù)依賴的遺忘門泛化更穩(wěn)

HyPE 位置編碼：一個(gè)巧妙的細(xì)節(jié)

HyPE 的做法是：RNN 層用 RoPE，Attention 層用 NoPE（不加位置編碼）

直覺上會覺得 attention 不加位置編碼信息會丟失。但邏輯是這樣的：RNN 層天然有位置感知（通過狀態(tài)轉(zhuǎn)移），但感受野有限，主要處理局部依賴。Attention 層負(fù)責(zé)長距離依賴。去掉 attention 層的 RoPE 之后，歷史 KV Cache 不再綁定位置信息，避免了 RoPE 在超長序列上的數(shù)值衰減問題

再加一個(gè)位置相關(guān)的 attention logits scaling（推理時(shí)根據(jù)位置動(dòng)態(tài)調(diào)整注意力分?jǐn)?shù)），長度泛化能力就上來了。不用 YaRN 之類的額外技術(shù)，MiniCPM-SALA 可以外推到 2048K

長度泛化測試結(jié)果 性能數(shù)據(jù)

短文本能力（知識問答、數(shù)學(xué)、代碼）跟 Qwen3-8B 等同尺寸 full attention 模型持平

長文本是優(yōu)勢所在。256K 序列長度下，NVIDIA A6000D 上 MiniCPM-SALA 的 TTFT（首 token 生成時(shí)間）從 Qwen3-8B 的 180.8 秒降到 51.6 秒，3.5 倍加速

Qwen3-8B 在 512K 和 1M 長度下 OOM。MiniCPM-SALA 在 A6000D（96GB）和 RTX 5090（32GB）上都能跑通百萬 token

A6000D 上的推理延遲對比RTX 5090 上的推理延遲對比 訓(xùn)練成本

MiniCPM-SALA 的訓(xùn)練路徑是先用 HALO 做架構(gòu)轉(zhuǎn)換（1.3B tokens，序列長度 512），然后在 MiniCPM-4.0 的預(yù)訓(xùn)練數(shù)據(jù)上做持續(xù)訓(xùn)練（314.6B tokens，4K 長度），接 Short-Decay（1T tokens，4K），再 Long-Decay（逐步擴(kuò)到 520K），最后 SFT

面壁在技術(shù)報(bào)告里提到，這個(gè)路徑的總訓(xùn)練量是從零訓(xùn)練同水平模型的 25%

幾個(gè)提示

從論文和賽制里能看到幾個(gè)明確的優(yōu)化方向：

InfLLM-V2 論文里寫了，塊選擇階段的 max-pooling 和 top-k 操作還沒做 kernel fusion，留在了 future work。這是一個(gè)確定的優(yōu)化入口

稀疏注意力只加速了 attention 層，F(xiàn)FN 層沒動(dòng)。論文原話：「a higher speedup ratio can be achieved by incorporating FFN-specific acceleration techniques」

比賽評測關(guān)了 prefix cache，所以 prefill 路徑的優(yōu)化權(quán)重很大（單請求場景占 40% 權(quán)重），這個(gè)場景下稀疏注意力的塊選擇效率直接影響總延遲

允許用官方提供的量化模型，量化策略本身也是優(yōu)化維度

比賽從 2 月 25 日開始提交，5 月 27 日前都能報(bào)名，免費(fèi)參賽，歡迎來玩

以及，有興趣的可以先看看 InfLLM-V2 論文里那幾個(gè)留給 future work 的優(yōu)化點(diǎn)，塊選擇的 kernel fusion 和 FFN 層加速，都是實(shí)打?qū)嵉男阅芸臻g。寫出來的代碼最終會合進(jìn) SGLang 主線，這活兒值得干

比賽官網(wǎng)
https://soar.openbmb.cn/competition

HuggingFace：
https://huggingface.co/openbmb/MiniCPM-SALA

技術(shù)報(bào)告：
https://github.com/OpenBMB/MiniCPM/blob/main/docs/MiniCPM_SALA.pdf

InfLLM-V2 論文：
https://arxiv.org/pdf/2509.24663

HypeNet / HALO 論文：
https://arxiv.org/pdf/2601.22156

SOAR 2026 比賽報(bào)名：
contact@openbmb.cn