利用自注意力的分块计算将长序列分布到多个设备上，以克服 Transformer 架构固有的内存限制，从而能够在训练和推理过程中处理较长的序列；能够在保持性能的同时根据设备数量缩放上下文长度，在没有注意力近似的情况下超过 1 亿上下文长度。
