现代序列建模主要由两大范式主导：一类是 Transformer 架构，其自注意力机制能够访问可见序列中的任意元素；另一类是结构化状态空间模型，通过显式的循环状态传播信息。这两种机制在处理长上下文时面临不同限制：当注意力分布较为分散时，单个 token 的影响力会在有效支撑范围内被稀释；而循环状态传播则可能丧失长距离敏感性，除非信息被主动保留。因此，这两种机制在长上下文中保留并选择性检索信息时均面临挑战。我们提出 Sessa 解码器，该架构将注意力置于循环反馈路径内部。这创建了多条基于注意力的路径，使过去的 token 能够通过这些路径影响未来状态，而非仅依赖单次注意力读取或单条循环链。我们证明，在明确假设与匹配条件下，Sessa 可实现幂律记忆尾分布 $O(\ell^{-β})$（其中 $0 < β< 1$），其衰减速度慢于对应的 Transformer 和 Mamba 风格基线模型。我们进一步给出了实现该幂律速率的显式构造方法。在相同假设下，Sessa 是所考虑模型类别中唯一能够实现灵活选择性检索的模型，包括影响力不随距离衰减的检索模式。与这一理论优势一致，在匹配实验中，Sessa 在长上下文基准测试中取得了最强性能，同时在短上下文语言建模中与 Transformer 和 Mamba 风格基线模型保持竞争力。