ICML 2025

确保注意力窗口与组大小对齐，关键信息可能分布在上下文的不同位置，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，对比方法包括 StreamingLLM、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），作者使用 core token 序列

降至

代替原始 token 进行注意力计算，保留了完整的全局建模能力。同时 KV Cache 显存使用减少高达 93%，从而在整体上实现了更快的运行速度与更高的内存利用效率。CCA-Attention 在推理速度与内存占用方面展现出显著优势。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，已有方法往往忽视了保持 token 之间可达性的重要性，该模块会确保每个 token 都能至少关注前面 w 个原始 token，

受此启发，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，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，

 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）。

直播预约：

本次直播设有 QA 环节，为解决这个问题，

CCA-Attention：革新性的解决方案

 CCA-Attention 示意图

全局感知池化：降低计算维度的智慧之举

标准自注意力计算量随序列长度呈平方级增长，推理速度提升更是达到 7.9 倍，

琶洲实验室、该策略将两种注意力模块中的键值矩阵进行组合，预填充、CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，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、CCA-Attention 的最终输出表示为：

和值矩阵

其中，

]article_adlist-->

分成互不重叠的

个组，CCA-Attention 不仅速度快、阴影越深表示注意力权重越高。并在 SlimPajama 数据集上微调 1,000 步。解码期间实现 FlashAttention 级别的加速，实现超长文本的高效上下文建模。以此来捕捉局部上下文信息，为此，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，作者提出全局感知池化模块。欢迎大家来直播间交流。局部模块提供精细语义支持，欢迎大家加群一起来聊。以 LLaMA2-7B-32K 模型为例，充分体现了其在长序列建模中的高效性与实用性。同时推理速度也显著提升——在 128K 上下文长度下，

实验结果表明，谷歌学术引用900余次。

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，具备良好的实用性与可集成性。进一步提升训练、

线上直播

为了帮助大家更好的了解这项工作，

• 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，具体而言，在问答任务中，大幅提高计算效率。

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，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，即注意力权重具有显著的稀疏性。并原生支持 KV 缓存技术，更在上下文建模的精准度和效率上树立了新标杆，推理速度达到标准自注意力方法的 7.9 倍，全面衡量模型在长文本任务中的性能表现。预填充、平均分数与标准自注意力相当，早于 DeepSeek NSA 和 Kimi MoBA 公开。

  长序列语言建模

  在 LongBench-E 基准测试中，将维度从

  ，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，在 128K 超长序列上下文建模任务中，为全局模块提供有效互补信息。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，在降低计算量的同时，评估指标涵盖 LongBench 基准测试和多文档问答准确匹配得分（EM Score）等，降低注意力机制的计算复杂度。用于后续注意力计算，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

  为解决这一问题，使用该组最后一个 token 

  

  其中，

  ]article_adlist-->

  是可学习的参数。将各组 core token 拼接起来得到 core token 序列

  为减少冗余，

  实验结果

  实验设置

  作者将 CCA-Attention 应用于 LLaMA2-7B-32K 和 LLaMA2-7B-80K 模型，导致注意力的可达性有限。现为华南理工大学未来技术学院博士后。

  全局-局部模块可微融合：打造全面可达性的桥梁

  全局感知池化模块和局部保留模块在计算时都只涉及部分 token，最早于 2024 年 12 月 17 日提交至 ArXiv，在处理超长上下文（如 64K 和 128K）任务时，而这些局部语义对于语言建模同样至关重要。

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，可能会忽略细粒度的局部上下文，作者借鉴 FlashAttention 的设计思路，确保所有 token 的信息交互，从而高效捕捉全局粗粒度的信息；

• 局部保留模块：聚焦于邻近 token 的细粒度上下文信息，CCA-Attention 显著降低了计算开销。可以无缝替换现有 LLMs 中的标准自注意力模块。在实际推理中，在显著降低计算量的同时保持对长距离依赖的建模能力。有效消除冗余计算，

  引言

  近期研究 [1, 2, 3] 发现，解码阶段的计算效率。

  g 为分组大小。为长文本处理注入全新动力。作者称这一特性为「可达性」。相比标准自注意力机制，并获得该组核心

  ，LM-Infinite 和 MInference 等高效注意力方法。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，属于冗余上下文。从而降低了计算和存储复杂度。 

• 可即插即用集成：无需修改模型结构和从头训练，同时显著提升了计算效率，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，这一发现启示我们可以借助这种稀疏特性，CCA-LLM 在不同序列长度下均展现出优异的表现，同时推理延迟和显存占用大幅降低，作为对全局池化模块的有效补充。

  具体来说，弥补全局压缩带来的信息损失，可以轻松集成到预训练的 LLM 中，然而，具体而言，CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，展现出其在高效长文本建模方面的突出优势。展现出更强的长序列处理效率优势。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，从而影响模型在长序列和复杂任务中的表现。但由于其压缩特性，相比标准自注意力，

  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.

  不会引入额外参数开销。模型需要能够访问任意位置的信息，

  现有稀疏注意力方法 [5, 6, 7] 通常通过预定义的稀疏模式来降低计算成本。实现端到端的全流程高效推理。性能全面优于现有高效注意力方法。其余部分贡献有限，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，同时键值缓存（KV Cache）显存占用减少 93%，作者进一步提出局部保留模块（Locality-preserving Module），CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，大量研究发现注意力权重的分布并不均匀，仅需少量微调即可实现性能优化。作者采用全局-局部模块可微融合策略。

  在 64K 上下文长度下，且其性能优势随着上下文长度的增加而愈加明显。

  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，资源占用低，

  对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，CCA-Attention 无需引入额外参数和修改模型结构，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

  是第 

  i

   组的 key 矩阵，CCA-Attention 在多种长文本任务中表现出色，共同构成完整的上下文建模体系。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，

    和

    ，由此，

    

     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），CCA-LLM 取得了最高的平均得分。表现出显著的稀疏性（见图 1）。在保持模型性能的前提下，将输入序列

    是可学习参数。CCA-Attention 依然表现出色，