YOLOv12全网首发：CVPR2026 Transformer注意力 | BinaryAttention 1-bit注意力，推理提速100%，超越FlashAttention2

💡💡💡问题点：Transformer 已取得广泛而显著的成功，但其注意力模块的计算复杂性仍然是视觉任务的主要瓶颈。现有方法主要采用 8-bit 或 4-bit 量化来平衡效率与精度

 💡💡💡措施：我们通过理论论证指出，注意力的二值化保留了基本的相似性关系，并提出了 BinaryAttention，一种用于快速且准确的 1-bit qk-注意力计算方法

 💡💡💡任务广泛验证：在图像分类、检测、分割、生成等任务中，BinaryAttention精度匹配或超越全精度基线，实现极低比特高效部署。

💡💡💡本文改进：BinaryAttention 结合YOLOv12的C3k2模块，全网首发创新。