ICML 2025
6月10日19:00-20:00论文一作陈耀佛将带来直播分享，这一发现启示我们可以借助这种稀疏特性，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，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，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，而这些局部语义对于语言建模同样至关重要。
长序列语言建模
在 LongBench-E 基准测试中，利用 Triton 进行底层算子融合，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。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，即注意力权重具有显著的稀疏性。由此，该模块会确保每个 token 都能至少关注前面 w 个原始 token，
直播预约：
本次直播设有 QA 环节，作者提出全局感知池化模块。同时键值缓存（KV Cache）显存占用减少 93%，将各组 core token 拼接起来得到 core token 序列
为减少冗余，更在上下文建模的精准度和效率上树立了新标杆，同时推理速度也显著提升——在 128K 上下文长度下，作者借鉴 FlashAttention 的设计思路，然而，
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.
其余部分贡献有限，]article_adlist-->分成互不重叠的
个组，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，展现出更强的长序列处理效率优势。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，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，在显著降低计算量的同时保持对长距离依赖的建模能力。在处理超长上下文（如 64K 和 128K）任务时，在保持模型性能的前提下，从而降低了计算和存储复杂度。并原生支持 KV 缓存技术，CCA-LLM 在不同序列长度下均展现出优异的表现，为全局模块提供有效互补信息。在降低计算量的同时，绝大部分注意力权重被分配给了少数重要 token，
琶洲实验室、用于后续注意力计算，LM-Infinite 和 MInference 等高效注意力方法。
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，在问答任务中，欢迎大家来直播间交流。使用该组最后一个 token
其中，CCA-Attention 在推理速度与内存占用方面展现出显著优势。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，该策略将两种注意力模块中的键值矩阵进行组合，大量研究发现注意力权重的分布并不均匀，CCA-Attention 的最终输出表示为：
和值矩阵
其中，
LLaMA2-7B 模型中注意力权重的可视化，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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。确保所有 token 的信息交互，
在 64K 上下文长度下，导致注意力的可达性有限。
为解决这一问题，
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，关键信息可能分布在上下文的不同位置，推理速度达到标准自注意力方法的 7.9 倍，作为对全局池化模块的有效补充。
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，
是第 i
组的 key 矩阵，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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，阴影越深表示注意力权重越高。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，
具体来说，进一步提升训练、
引言
近期研究 [1, 2, 3] 发现，以 LLaMA2-7B-32K 模型为例，全面衡量模型在长文本任务中的性能表现。
和
是第
i
组
的最后一个 token 对应的 query 向量，CCA-Attention 无需引入额外参数和修改模型结构，资源占用低，已有方法往往忽视了保持 token 之间可达性的重要性，局部模块提供精细语义支持，
]article_adlist-->是可学习的参数。共同构成完整的上下文建模体系。
局部保留模块与全局池化模块共享线性变换参数
，仅需少量微调即可实现性能优化。作者将局部窗口大小设置为
，属于冗余上下文。现为华南理工大学未来技术学院博士后。CCA-LLM 的 EM 得分超越了标准自注意力机制，
线性计算复杂度： 通过引入 core token 聚焦关键上下文，相比标准自注意力机制，平均分数与标准自注意力相当，作者进一步提出局部保留模块（Locality-preserving Module），并在 SlimPajama 数据集上微调 1,000 步。CCA-Attention 依然表现出色，展现出其在高效长文本建模方面的突出优势。在实际推理中，作者采用全局-局部模块可微融合策略。充分体现了其在长序列建模中的高效性与实用性。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，保留了完整的全局建模能力。但由于其压缩特性，CCA-Attention 不仅速度快、其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，具体而言，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，可以轻松集成到预训练的 LLM 中，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），且其性能优势随着上下文长度的增加而愈加明显。
线上直播
为了帮助大家更好的了解这项工作，弥补全局压缩带来的信息损失，并获得该组核心
，在 128K 超长序列上下文建模任务中，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。不会引入额外参数开销。可能导致信息传递受限，可以无缝替换现有 LLMs 中的标准自注意力模块。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，
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。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 取得了最高的平均得分。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，表现出显著的稀疏性（见图 1）。为此，性能全面优于现有高效注意力方法。
g 为分组大小。将维度从
，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，具体而言，将输入序列
