SFA（Signal Field Attention） 是单点突破的实验，Dalin Soma 是完整的 AI 基础设施。从注意力机制替代，到推理加速、参数微调、全新架构、蒸馏训练——五岳并立，零 Transformer 依赖。
开源地址：github.com/CN-QN1-dalin/dalin-soma-
一、一句话：我们做了什么
Transformer 统治 AI 领域已经 7 年了。但从 2017 年诞生起，它的核心组件——自注意力机制——就带着两个原生缺陷：
- 计算复杂度 O(n²)：序列长度翻倍，计算量翻四倍
- 内存复杂度 O(n)：64K 序列的 KV Cache 可达数百 MB
我们做的是：从零开始，用「信号场」替代 Transformer 的全部核心组件，构建一套完整的 AI 基础设施。
这套基础设施叫 Dalin Soma（太初五岳），灵感来自中国传统的五岳概念——五座山峰，五层能力，互为补充。
二、SFA 是什么：单点突破
Signal Field Attention（信号场注意力，SFA） 是整个项目的起点，也是「东岳」Soma Engine 的核心技术。
2.1 传统 Attention 的问题
标准的 Transformer 注意力计算：
code复制
A[i,j] = exp(q_i · k_j / √d) / Σ_l exp(q_i · k_l / √d)
所有 token 之间两两计算注意力，这意味着：
- 序列长度为 n 时，计算量是 n²
- KV Cache 随序列长度线性增长
2.2 SFA 的方案：双通道注意力
SFA 的核心思路很简单但有效：把注意力拆成两个通道。
| 近场 | Ring KV Buffer（最近 k 个 token） | 精确计算最新 token 的注意力 | O(k) |
| 远场 | 信号场状态向量 S | 全局压缩的历史信息 | O(1) |
code复制
Attention = Attention_near(k=16) + α · Attention_far(S)
- 近场用固定容量的环形缓冲区存储最近 k=16 个 token 的精确 KV
- 远场用信号场状态向量 S 提供全局压缩信息，仅 8.1KB 参数
关键结果：
