财米网清华新框架让大模型学会「精读略读」！实现12倍端到端加速，基准评分翻倍

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。