ICML 2025

平均分数与标准自注意力相当，

引言

近期研究 [1, 2, 3] 发现，仅需少量微调即可实现性能优化。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，同时推理延迟和显存占用大幅降低， 

• 可即插即用集成：无需修改模型结构和从头训练，可能会忽略细粒度的局部上下文，

  

  • 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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，

  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.

  弥补全局压缩带来的信息损失，CCA-LLM 在不同序列长度下均展现出优异的表现，

  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，将维度从

  ，

  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 能够同时优化预填充和解码（decoding）两个阶段，且其性能优势随着上下文长度的增加而愈加明显。大量研究发现注意力权重的分布并不均匀，最早于 2024 年 12 月 17 日提交至 ArXiv，

  受此启发，

  在 64K 上下文长度下，为此，可以轻松集成到预训练的 LLM 中，作者将局部窗口大小设置为，确保所有 token 的信息交互，

  局部保留模块与全局池化模块共享线性变换参数

  ，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，

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 的最终输出表示为：

和值矩阵

其中，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，同时 KV Cache 显存使用减少高达 93%，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、

g 为分组大小。由此，预填充、导致注意力的可达性有限。在 128K 超长序列上下文建模任务中，该策略将两种注意力模块中的键值矩阵进行组合，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。性能全面优于现有高效注意力方法。形成统一的键矩阵

。欢迎大家加群一起来聊。保留了完整的全局建模能力。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），进一步提升训练、CCA-Attention 不仅速度快、作者采用全局-局部模块可微融合策略。欢迎大家来直播间交流。其余部分贡献有限，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，现为华南理工大学未来技术学院博士后。展现出其在高效长文本建模方面的突出优势。并在 SlimPajama 数据集上微调 1,000 步。

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，用于后续注意力计算，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，已有方法往往忽视了保持 token 之间可达性的重要性，

长序列语言建模

在 LongBench-E 基准测试中，以此来捕捉局部上下文信息，作者借鉴 FlashAttention 的设计思路，这一发现启示我们可以借助这种稀疏特性，在处理超长上下文（如 64K 和 128K）任务时，同时显著提升了计算效率，

线上直播

为了帮助大家更好的了解这项工作，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，从而降低了计算和存储复杂度。利用 Triton 进行底层算子融合，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。实现超长文本的高效上下文建模。将输入序列

降至

代替原始 token 进行注意力计算，然而，使用该组最后一个 token 

其中，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），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，关键信息可能分布在上下文的不同位置，确保注意力窗口与组大小对齐，

  

   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，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，表现出显著的稀疏性（见图 1）。

实验结果表明，降低注意力机制的计算复杂度。谷歌学术引用900余次。具备良好的实用性与可集成性。CCA-Attention 无需引入额外参数和修改模型结构，CCA-Attention 显著降低了计算开销。并获得该组核心

，长序列处理计算开销极大。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

是第 

i

 组

的最后一个 token 对应的 query 向量，为全局模块提供有效互补信息。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。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。实现端到端的全流程高效推理。在降低计算量的同时，

和

是可学习的参数。在实际推理中，

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），同时键值缓存（KV Cache）显存占用减少 93%，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，属于冗余上下文。为解决这个问题，但由于其压缩特性，可以无缝替换现有 LLMs 中的标准自注意力模块。

  

   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）。该模块会确保每个 token 都能至少关注前面 w 个原始 token，推理速度提升更是达到 7.9 倍，

  ]article_adlist-->

  分成互不重叠的

  个组，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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，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，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，对比方法包括 StreamingLLM、预填充、

  是第 

  i

   组的 key 矩阵，

  琶洲实验室、解码阶段的计算效率。具体而言，

  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。在显著降低计算量的同时保持对长距离依赖的建模能力。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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，作者称这一特性为「可达性」。模型需要能够访问任意位置的信息，

  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 LLaMA2-7B-32K 模型为例，在问答任务中，有效消除冗余计算，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-Attention 依然表现出色，

  具体来说，为长文本处理注入全新动力。从而影响模型在长序列和复杂任务中的表现。

  

   LLaMA2-7B 模型中注意力权重的可视化，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，在保持模型性能的前提下，资源占用低，LM-Infinite 和 MInference 等高效注意力方法。早于 DeepSeek NSA 和 Kimi MoBA 公开。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，

    为解决这一问题，同时推理速度也显著提升——在 128K 上下文长度下，CCA-LLM 的 EM 得分超越了标准自注意力机制，不会引入额外参数开销。并原生支持 KV 缓存技术，大幅提高计算效率。

    

     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），即注意力权重具有显著的稀疏性。

    直播预约：

    本次直播设有 QA 环节，将各组 core token 拼接起来得到 core token 序列

    为减少冗余，具体而言，

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，推理速度达到标准自注意力方法的 7.9 倍，共同构成完整的上下文建模体系。作为对全局池化模块的有效补充。绝大部分注意力权重被分配给了少数重要 token，作者进一步提出局部保留模块（Locality-preserving Module），局部模块提供精细语义支持，