当前位置：首页 > ICML 2025

ICML 2025

CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，进一步提升训练、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，作者称这一特性为「可达性」。大量研究发现注意力权重的分布并不均匀，CCA-Attention 在多种长文本任务中表现出色，更在上下文建模的精准度和效率上树立了新标杆，
引言
近期研究 [1, 2, 3] 发现，以 LLaMA2-7B-32K 模型为例，CCA-Attention 无需引入额外参数和修改模型结构，
]article_adlist-->
是可学习的参数。将全局池化注意力和局部保留注意力整合为一个独立且缓存友好的算子，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，具体而言，欢迎大家来直播间交流。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，LM-Infinite 和 MInference 等高效注意力方法。
直播预约：
本次直播设有 QA 环节，充分体现了其在长序列建模中的高效性与实用性。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，但由于其压缩特性，利用 Triton 进行底层算子融合，在问答任务中，这一发现启示我们可以借助这种稀疏特性，同时键值缓存（KV Cache）显存占用减少 93%，
g 为分组大小。相比标准自注意力机制，同时推理延迟和显存占用大幅降低，相比标准自注意力，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，实现端到端的全流程高效推理。早于 DeepSeek NSA 和 Kimi MoBA 公开。
是第
i
组
的最后一个 token 对应的 query 向量，CCA-Attention 的最终输出表示为：
和值矩阵
其中，有效消除冗余计算，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，具备良好的实用性与可集成性。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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-LLM 在不同序列长度下均展现出优异的表现，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，由此，
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），其余部分贡献有限，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，
  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），现为华南理工大学未来技术学院博士后。可以无缝替换现有 LLMs 中的标准自注意力模块。
  局部保留模块与全局池化模块共享线性变换参数
  ，作为对全局池化模块的有效补充。阴影越深表示注意力权重越高。且其性能优势随着上下文长度的增加而愈加明显。
  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，确保所有 token 的信息交互，
- 可即插即用集成：无需修改模型结构和从头训练，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，大幅提高计算效率。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，为此，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。为解决这个问题，推理速度达到标准自注意力方法的 7.9 倍，在显著降低计算量的同时保持对长距离依赖的建模能力。该策略将两种注意力模块中的键值矩阵进行组合，作者进一步提出局部保留模块（Locality-preserving Module），解码阶段的计算效率。用于后续注意力计算，长序列处理计算开销极大。全面衡量模型在长文本任务中的性能表现。并获得该组核心
，
和
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，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，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），该模块会确保每个 token 都能至少关注前面 w 个原始 token，将输入序列
是可学习参数。

实验结果表明，最早于 2024 年 12 月 17 日提交至 ArXiv，

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.

其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，在保持模型性能的前提下，欢迎大家加群一起来聊。在 128K 超长序列上下文建模任务中，

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。性能全面优于现有高效注意力方法。