上一代的问题：标准注意力 O(n²) 内存和计算，长序列 n 大时不可接受。
这代改了什么：将全注意力分解为 p 个稀疏模式（Strided 步进式 + Fixed 固定窗口），组合后任意位置 n 步可达。降至 O(n√n)。
效果：EnWik8 上稀疏注意力甚至超过全注意力（0.99 vs 1.00 bits/byte），验证了稀疏归纳偏置的有效性。
标准注意力 O(n²) 复杂度限制了长序列建模。
将全注意力分解为 p 个稀疏注意力头：
组合后任何位置 n 步可达。复杂度从 O(n²) 降至 O(n√n)。
预激活残差块、注意力重计算（训练节省显存）、自定义 block-sparse GPU kernel。