Transformer 是一种强大的文本理解模型，但其计算复杂度随输入序列长度呈二次增长，导致效率较低。尽管已有多种加速 Transformer 的方法，但在处理长序列时仍存在效率不足或效果有限的问题。本文提出 Fastformer，一种基于加性注意力机制的高效 Transformer 模型。在 Fastformer 中，不再显式建模 token 之间的成对交互，而是首先利用加性注意力机制捕捉全局上下文信息，随后基于每个 token 与全局上下文表示的交互，进一步优化其自身表示。该设计使 Fastformer 在保持高效的同时，实现了线性时间复杂度的上下文建模。在五个数据集上的大量实验表明，Fastformer 相比多种现有 Transformer 模型具有显著更高的效率，同时在长文本建模任务中仍能实现相当甚至更优的性能。