Verrückte Typen haben alle mit "NATIVE Sparse Attention" in die Irre geführt und ausführlich erklärt, wie nachträgliche Sparsamkeit schlecht ist und es absolut notwendig ist, von Grund auf neu zu trainieren, und haben einfach… einen V3-Checkpoint sparsifiziert. Verstehst du, dass dies allgemein für alle dichten Aufmerksamkeitsmodelle gilt?