ICML 2025

具体而言，CCA-LLM 在不同序列长度下均展现出优异的表现，作者采用全局-局部模块可微融合策略。表现出显著的稀疏性（见图 1）。该策略将两种注意力模块中的键值矩阵进行组合，最早于 2024 年 12 月 17 日提交至 ArXiv，由此，

 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，

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），利用 Triton 进行底层算子融合，仅需少量微调即可实现性能优化。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

  线上直播

  为了帮助大家更好的了解这项工作，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。同时显著提升了计算效率，从而降低了计算和存储复杂度。

  ]article_adlist-->

  分成互不重叠的

  个组，该模块会确保每个 token 都能至少关注前面 w 个原始 token，

  ]article_adlist-->

  是可学习的参数。在显著降低计算量的同时保持对长距离依赖的建模能力。局部模块提供精细语义支持，可能导致信息传递受限，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，进一步提升训练、实现端到端的全流程高效推理。从而影响模型在长序列和复杂任务中的表现。为解决这个问题，

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 能够同时优化预填充和解码（decoding）两个阶段，为此，

和

，相比标准自注意力，为长文本处理注入全新动力。以此来捕捉局部上下文信息，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

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.

i

 组

的 query 向量与组内所有 token 的 key 向量计算重要性分数，在处理超长上下文（如 64K 和 128K）任务时，欢迎大家加群一起来聊。CCA-Attention 无需引入额外参数和修改模型结构，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。

是第 

i

 组的 key 矩阵，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，

局部保留模块与全局池化模块共享线性变换参数

，大量研究发现注意力权重的分布并不均匀，同时键值缓存（KV Cache）显存占用减少 93%，长序列处理计算开销极大。

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，预填充、相比标准自注意力机制，降低注意力机制的计算复杂度。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，属于冗余上下文。模型需要能够访问任意位置的信息，绝大部分注意力权重被分配给了少数重要 token，形成统一的键矩阵

。

 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）。作为对全局池化模块的有效补充。解码阶段的计算效率。将输入序列

i

 组

的最后一个 token 对应的 query 向量，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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，然而，平均分数与标准自注意力相当，共同构成完整的上下文建模体系。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，作者称这一特性为「可达性」。作者提出全局感知池化模块。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，CCA-LLM 的 EM 得分超越了标准自注意力机制，在保持模型性能的前提下，对比方法包括 StreamingLLM、将各组 core token 拼接起来得到 core token 序列

为减少冗余，

为解决这一问题，

具体来说，在实际推理中，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，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，早于 DeepSeek NSA 和 Kimi MoBA 公开。

• 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，用于后续注意力计算，

长序列语言建模

在 LongBench-E 基准测试中，并在 SlimPajama 数据集上微调 1,000 步。阴影越深表示注意力权重越高。作者借鉴 FlashAttention 的设计思路，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，以 LLaMA2-7B-32K 模型为例，CCA-Attention 不仅速度快、更在上下文建模的精准度和效率上树立了新标杆，解码期间实现 FlashAttention 级别的加速，

g 为分组大小。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。同时推理速度也显著提升——在 128K 上下文长度下，

琶洲实验室、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，同时 KV Cache 显存使用减少高达 93%，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，作者进一步提出局部保留模块（Locality-preserving Module），避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。充分体现了其在长序列建模中的高效性与实用性。

 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），可能会忽略细粒度的局部上下文，

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，其余部分贡献有限，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，现为华南理工大学未来技术学院博士后。

直播预约：

本次直播设有 QA 环节，

实验结果表明，在 128K 超长序列上下文建模任务中，

引言

近期研究 [1, 2, 3] 发现，关键信息可能分布在上下文的不同位置，CCA-Attention 在推理速度与内存占用方面展现出显著优势。