原生稀疏注意力（Native Sparse Attention，简称 NSA）是由 DeepSeek 联合北京大学、华盛顿大学于 2025 年 2 月 27 日提出的一种原生可训练稀疏注意力机制，旨在解决长序列建模中的计算瓶颈问题。该方法结合了算法创新与硬件优化，实现了高效的长上下文建模。相关论文成果为「Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention」，该论文已获 ACL 25 最佳论文奖。

在 27B 参数的 Transformer 主干模型上进行预训练，NSA 在通用基准、长上下文任务和推理任务上，性能与全连接注意力模型相当或更优。在处理 64k 长度序列时，NSA 在解码、前向传播和反向传播阶段均实现了显著的加速。