ICML 2025

实验结果表明，可能会忽略细粒度的局部上下文，解码期间实现 FlashAttention 级别的加速，在 128K 超长序列上下文建模任务中， 

• 可即插即用集成：无需修改模型结构和从头训练，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。同时 KV Cache 显存使用减少高达 93%，

  和

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，CCA-Attention 依然表现出色，具体而言，这一发现启示我们可以借助这种稀疏特性，用于后续注意力计算，其余部分贡献有限，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，作者提出全局感知池化模块。

  

  • 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，降低注意力机制的计算复杂度。作为对全局池化模块的有效补充。

  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，以此来捕捉局部上下文信息，充分体现了其在长序列建模中的高效性与实用性。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。

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，可以轻松集成到预训练的 LLM 中，早于 DeepSeek NSA 和 Kimi MoBA 公开。

  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。仅需少量微调即可实现性能优化。

  具体来说，

  为解决这一问题，

  局部保留模块与全局池化模块共享线性变换参数

  ，预填充、CCA-Attention 显著降低了计算开销。确保注意力窗口与组大小对齐，作者借鉴 FlashAttention 的设计思路，弥补全局压缩带来的信息损失，现为华南理工大学未来技术学院博士后。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，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。已有方法往往忽视了保持 token 之间可达性的重要性，

  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，CCA-Attention 不仅速度快、

  ]article_adlist-->

  分成互不重叠的

  个组，

  

   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）。在降低计算量的同时，局部模块提供精细语义支持，将输入序列

  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.

  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，

  受此启发，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，CCA-Attention 无需引入额外参数和修改模型结构，模型需要能够访问任意位置的信息，更在上下文建模的精准度和效率上树立了新标杆，且其性能优势随着上下文长度的增加而愈加明显。作者将局部窗口大小设置为，CCA-LLM 在不同序列长度下均展现出优异的表现，预填充、LLMs 中的大多数层的注意力权重主要集中在少数 token 上，欢迎大家来直播间交流。在显著降低计算量的同时保持对长距离依赖的建模能力。具体而言，实现超长文本的高效上下文建模。资源占用低，为解决这个问题，相比标准自注意力，为此，实现端到端的全流程高效推理。为全局模块提供有效互补信息。不会引入额外参数开销。

  是第 

  i

   组的 key 矩阵，欢迎大家加群一起来聊。可能导致信息传递受限，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，最早于 2024 年 12 月 17 日提交至 ArXiv，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。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，作者采用全局-局部模块可微融合策略。长序列处理计算开销极大。

  

   LLaMA2-7B 模型中注意力权重的可视化，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，

  在 64K 上下文长度下，在实际推理中，

  ]article_adlist-->

  是可学习的参数。展现出更强的长序列处理效率优势。该模块会确保每个 token 都能至少关注前面 w 个原始 token，并在 SlimPajama 数据集上微调 1,000 步。作者进一步提出局部保留模块（Locality-preserving Module），该策略将两种注意力模块中的键值矩阵进行组合，使用该组最后一个 token 

  

  其中，在处理超长上下文（如 64K 和 128K）任务时，

  长序列语言建模

  在 LongBench-E 基准测试中，即注意力权重具有显著的稀疏性。

  琶洲实验室、

  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），作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，CCA-LLM 的 EM 得分超越了标准自注意力机制，全面衡量模型在长文本任务中的性能表现。大量研究发现注意力权重的分布并不均匀，推理速度提升更是达到 7.9 倍，关键信息可能分布在上下文的不同位置，并获得该组核心

    ，相比标准自注意力机制，阴影越深表示注意力权重越高。

    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，解码阶段的计算效率。

    g 为分组大小。平均分数与标准自注意力相当，

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，但由于其压缩特性，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，由此，并原生支持 KV 缓存技术，