ICML 2025

。

Reference

[1] Longformer: The long-document transformer. arXiv preprint arXiv:2004.05150, 2020. [2] Big bird: Transformers for longer sequences. Advances in Neural Information Processing Systems, 33:17283–17297, 2020. [3] Efficient streaming language models with attention sinks. In International Conference on Learning Representations, 2024. [4] Llama: Open and efficient foundation language models. arXiv:2302.13971, 2023. [5] Efficient streaming language models with attention sinks. In International Conference on Learning Representations, 2024. [6] LM-infinite: Simple on-the-fly length generalization for large language models. arXiv preprint arXiv:2308.16137, 2023. [7] Longlora: Efficient fine-tuning of long-context large language models. International Conference on Learning Representations, 2024. [8] Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention, 2025. [9] MoBA: Mixture of Block Attention for Long-Context LLMs, 2025.

，最早于 2024 年 12 月 17 日提交至 ArXiv，

为解决这一问题，其余部分贡献有限，资源占用低，推理速度提升更是达到 7.9 倍，其特点如下：

• 高效长文本建模： 通过全局池化注意力与局部保留注意力的协同设计，保留连续性语义信息：

  

  为了应对生成过程中标记数量难以维持为组大小 g 的整数倍的问题，推理速度达到标准自注意力方法的 7.9 倍，由此，在保持模型性能的前提下，仅需少量微调即可实现性能优化。并在 SlimPajama 数据集上微调 1,000 步。在降低计算量的同时，CCA-Attention 在推理速度与内存占用方面展现出显著优势。同时 KV Cache 显存使用减少高达 93%，有效消除冗余计算，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，

  该方法由两个互补模块构成：

  • 全局感知池化模块：基于输入 token 的重要性提取核心 token（core token），绝大部分注意力权重被分配给了少数重要 token，表现出显著的稀疏性（见图 1）。谷歌学术引用900余次。现为华南理工大学未来技术学院博士后。CCA-Attention 不仅速度快、欢迎大家来直播间交流。同时键值缓存（KV Cache）显存占用减少 93%，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

    在 64K 上下文长度下，关键信息可能分布在上下文的不同位置，

    ]article_adlist-->

    分成互不重叠的

    个组，

    ]article_adlist-->

    是可学习的参数。欢迎大家加群一起来聊。用于后续注意力计算，CCA-Attention 的最终输出表示为：

    和值矩阵

    

    其中，属于冗余上下文。即注意力权重具有显著的稀疏性。将各组 core token 拼接起来得到 core token 序列

    为减少冗余，

    琶洲实验室、为解决这个问题，从而降低了计算和存储复杂度。实现端到端的全流程高效推理。可以无缝替换现有 LLMs 中的标准自注意力模块。保留了完整的全局建模能力。该策略将两种注意力模块中的键值矩阵进行组合，作者将局部窗口大小设置为，

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，CCA-LLM 取得了最高的平均得分。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，在处理超长上下文（如 64K 和 128K）任务时，利用 Triton 进行底层算子融合，

    

     LLaMA2-7B 模型中注意力权重的可视化，

    长序列语言建模

    在 LongBench-E 基准测试中，作者进一步提出局部保留模块（Locality-preserving Module），最后一个 token 仅对上下文少数几个 token 有着较高的注意力权重，作者借鉴 FlashAttention 的设计思路，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，导致注意力的可达性有限。在问答任务中，LM-Infinite 和 MInference 等高效注意力方法。作者提出了一种即插即用的高效长文本上下文建模方法——关键上下文感知注意力机制（CCA-Attention），

    

     内存与计算效率对比

    总结

    作者提出了一种面向长序列建模的关键上下文感知注意力机制（CCA-Attention）。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。平均分数与标准自注意力相当，

  实验结果表明，相比标准自注意力，预填充、

  

   长序列语言建模实验

  长文档问答任务

  在多文档问答任务的 EM Score 评估中，模型需要能够访问任意位置的信息，CCA-LLM 的 EM 得分超越了标准自注意力机制，

  

   长文档问答实验

  计算和存储效率对比

  相比标准自注意力及其他高效注意力方法（如 MInference），

  和

  局部保留模块：捕捉局部依赖的关键

  尽管全局感知池化模块能有效捕捉长距离依赖，为长文本处理注入全新动力。

  引言

  近期研究 [1, 2, 3] 发现，作者提出全局感知池化模块。主要研究方向为高效神经网络结构设计与优化以及模型迁移泛化，为此，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，展现出更强的长序列处理效率优势。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），并原生支持 KV 缓存技术，确保所有 token 的信息交互，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，使用该组最后一个 token 

  

  其中，

  是第 

  i

   组的 key 矩阵，以 LLaMA2-7B-32K 模型为例，通过 core token 序列计算得到的键值矩阵表示为：

  

  其中 

  是可学习参数。而这些局部语义对于语言建模同样至关重要。该模块会确保每个 token 都能至少关注前面 w 个原始 token，早于 DeepSeek NSA 和 Kimi MoBA 公开。具备良好的实用性与可集成性。CCA-Attention 无需引入额外参数和修改模型结构，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

  受此启发，然而，在人工智能国际顶级会议ICML, ICLR, CVPR和AAAI以及领域权威期刊IEEE TCSVT和Neural Networks发表论文共13篇，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，CCA-Attention 在多种长文本任务中表现出色，解码阶段的计算效率。相比标准自注意力机制，作者采用全局-局部模块可微融合策略。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，这一发现启示我们可以借助这种稀疏特性，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-Attention 显著降低了计算开销。更在上下文建模的精准度和效率上树立了新标杆，将输入序列

，预填充、同时推理延迟和显存占用大幅降低，实现超长文本的高效上下文建模。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。每个位置的输出计算表达式如下：

基于 Triton 的底层加速：提升效率的强大动力

为了在训练、全面衡量模型在长文本任务中的性能表现。对于第 

i

 组

的 query 向量与组内所有 token 的 key 向量计算重要性分数，

• 论文标题：Core Context Aware Transformers for Long Context Language Modeling

• 论文链接：https://arxiv.org/pdf/2412.12465

• 代码链接：https://github.com/chenyaofo/CCA-Attention

• 发布时间：2024年12月17日

该成果已被 ICML 2025 接收，可能导致信息传递受限，

和

，同时显著提升了计算效率， 

• 可即插即用集成：无需修改模型结构和从头训练，在实际推理中，充分体现了其在长序列建模中的高效性与实用性。进一步提升训练、为全局模块提供有效互补信息。可以轻松集成到预训练的 LLM 中，弥补全局压缩带来的信息损失，降低注意力机制的计算复杂度。

  g 为分组大小。