RESEARCH · ZUR AUSGABE

FORSCHUNGSIMPULS · 03. September 2026

Language Models Can Control Their Own Attention

Declarative Attention lässt Modelle ihren Kontextfokus in drei Modi angeben und reduziert dadurch die berücksichtigten Tokens bei langen Kontexten.

WARUM DAS WICHTIG IST

Für produktive Langzeit-Agenten ist dies ein niedrigschwelliger Effizienzansatz: Er benötigt laut Studie weder zusätzliche Trainingsdaten noch Architekturänderungen und lässt sich als Inferenzprotokoll erproben.

AI THOR · VISUELLE EINORDNUNG

Vom Forschungsproblem zur praktischen Bedeutung

Aus der vorliegenden Paper-Analyse abgeleitet

01

Ausgangslage

Declarative Attention lässt Modelle ihren Kontextfokus in drei Modi angeben und reduziert dadurch die berücksichtigten Tokens bei langen Kontexten.

02

Methode

Deklarative Aufmerksamkeitsmodi in der Generierung

03

Befund

Das Protokoll unterscheidet globale, fokussierte und lokale Aufmerksamkeitsmodi.

04

Anwendung

Modus-Tags und einen Parser als Inferenzprotokoll vor die Langkontext-Pipeline schalten.

05

Grenze

Sparsamer Kontextzugriff senkt die Genauigkeit moderat, besonders bei kleineren Modellen.

Redaktionelle Strukturvisualisierung von AI THOR; keine Originalabbildung des Papers.

DIE ANALYSE IM DETAIL

Was das Paper Kapitel für Kapitel zeigt.

Die folgenden Abschnitte verdichten die vollständige Paper-Analyse auf Deutsch, ohne die zentralen Argumentationsschritte auszulassen.

01

Language Models Can Control Their Own Attention

Einleitung der Forschungsfrage: Modelle lesen vollständigen KV-Cache, obwohl sie nur wenige Token relevant finden. Motivation zur Reduzierung der Komplexität und zur intrinsischen Steuerung der Aufmerksamkeit.

02

Abstract: Language models spend most of their attention on a small fraction of context, yet they read the entire

Das Abstract fasst die Hauptidee zusammen: DA fordert das Modell auf, während der Generierung selbst zu deklarieren, welche Kontextsegmente benötigt werden. Dies führt zu Sparsamkeit in der Aufmerksamkeit mit nur moderatem Genauigkeitsverlust.

03

R1: Global mode for navigation

Beschreibung des globalen Modus, der den vollen Kontext nutzt. Dies dient vor allem als Basismodus zur Navigation durch große Kontextmengen.

04

R2: Focus mode for reasoning on specific region of context

Der Fokusmodus erlaubt fokussierte Verarbeitung einzelner Kontextabschnitte ('Magic Chunks'), was den Tokensparse Computing-Ansatz unterstützt.

05

R3: Local mode for reasoning on response so far

Im lokalen Modus wird nur auf kürzlich generierte Tokens zurückgegriffen, was temporäre lokale Rechnungen ermöglicht und Kontextzugriffsaufwand reduziert.

06

Queries

Erläuterung, wie das DA-Protokoll auf Prompts mit Segment-Unterteilung angewandt wird. Die drei Modi (<global>, <focus>, <local>) ermöglichen dynamisches Umschalten mit entsprechender Maskierung, ohne Trainingsänderungen am Modell.

07

What was the total number of instruction-

Praktisches Beispiel: Berechnung der Anzahl der Instruction-Response Paare im Trainingsdatensatz über deklarative Aufmerksamkeit, demonstriert Nutzbarkeit der Methode.

08

D: Instruction (1,068 tokens)

Formale Instruktionen für die Nutzung von DA. Legt Syntax und Semantik für deklarative Steuerung der Aufmerksamkeit fest.

ABSTRACT IM ORIGINAL LESEN

Language models spend most of their attention on a small fraction of context, yet they read the entire KV cache to find the few tokens that matter. If the user asks about a previous detail in a 1M-token conversation, global attention layers must scan the full context to generate each token of the reply. A prominent approach mitigates this cost by pre-selecting relevant tokens via lightweight proxy scores, but this extrinsic scoring still incurs O(N) per step. We take an intrinsic approach motivated by the simple question: wouldn't the model already know which parts of the context are relevant? To this end, we introduce Declarative Attention (DA), a protocol that elicits the model to declare where it needs to attend within its chain-of-thought, partitioning generation into three modes: <global> (full context), <focus> (a specific region), and <local> (recent output only). The inference engine parses these declarations like tool calls and skips most of the KV cache read. Under zero-shot evaluation across 15 long-context tasks, DA on off-the-shelf models (Gemma-4-31B, Qwen-3.6-27B) significantly reduces total attended tokens during decoding (52.0%, 31.1%) with modest accuracy drops (1.27pp, 2.75pp) that shrink with model scale. DA unlocks a new axis of sparse attention, with further potential under training-based methods that future work can explore.

DIE KERNPUNKTE

  1. 01

    Das Protokoll unterscheidet globale, fokussierte und lokale Aufmerksamkeitsmodi.

  2. 02

    Bei der Dekodierung werden je nach Modell etwa 31 bis 52 Prozent weniger Tokens berücksichtigt.

  3. 03

    Die berichteten Genauigkeitsverluste liegen zwischen 1,27 und 2,75 Prozentpunkten.

  4. 04

    Größere Modelle verlieren dabei weniger Genauigkeit.

  5. 05

    Der Ansatz arbeitet laut Studie direkt mit vorhandenen Modellen im Zero-shot-Modus.

VORGEHEN

  • Deklarative Aufmerksamkeitsmodi in der Generierung
  • Segmentierter Kontext mit expliziter Maskierung ungenutzter KV-Cache-Teile
  • Zero-shot-Evaluation auf 15 Langzeit-Kontext-Aufgaben
  • Vergleich existierender NLP-Sprachmodelle

PRAKTISCHE ANKNÜPFUNGSPUNKTE

  • Modus-Tags und einen Parser als Inferenzprotokoll vor die Langkontext-Pipeline schalten.
  • Kontext in klar benannte Segmente zerlegen und ungenutzte KV-Paare maskieren.
  • Tokenersparnis und Qualitätsverlust auf eigenen Langkontext-Tasks gemeinsam messen.
  • Kritische Aufgaben mit globalem Modus oder einem konservativen Fallback absichern.

VON DER EINORDNUNG ZUR UMSETZUNG

Was bedeutet das für Ihr Unternehmen?