本文基于YOLOv13 官方仓库（iMoonLab/yolov13，ultralytics 8.3.63 fork）实测整理，Windows/CPU 全程可跑。Neighborhood Attention（Hassani et al.,CVPR 2023《Neighborhood Attention Transformer》，arXiv 2204.07143，官方源码 github.com/SHI-Labs/NATTEN）把自注意力从"全图两两配对"缩到"滑动邻域"：每个 query 只对以自己为中心的 k×k 窗口做 softmax 注意力（边界处窗口裁剪）——感受野重叠滑过全图、复杂度 O(N·k²)。本文把官方 NeighborhoodAttention2D（kernel 3、dilation 1、heads=4）插进 v13n 层 8 之后，实测+263,168 参数、GFLOPs 6.54→6.75，与官方模块壳同权重逐位一致（max diff = 0；注意力核按官方 NA 语义用纯 torch unfold 实现，与逐像素暴力循环参考 diff = 4.77e-07），1 轮冒烟训练正常完成。前言窗口注意力的家族谱系是这样的：ViT 全图配对（贵）、Swin 固定不重叠窗口（便宜但边界生硬）、NATTEN 重叠滑动窗口（每个像素都是自己那扇窗的"窗主"）——邻域之间天然有信息往来，边界不再是隔离墙，而账本只从 N² 降到 N·k²。官方 NATTEN 包