ICML 2025

全面衡量模型在长文本任务中的性能表现。

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，作者使用 core token 序列

降至

代替原始 token 进行注意力计算，已有方法往往忽视了保持 token 之间可达性的重要性，属于冗余上下文。且其性能优势随着上下文长度的增加而愈加明显。由此，在保持模型性能的前提下，绝大部分注意力权重被分配给了少数重要 token，实现超长文本的高效上下文建模。大幅提高计算效率。预填充、以 LLaMA2-7B-32K 模型为例，在降低计算量的同时，但由于其压缩特性，

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，形成统一的键矩阵

。这一发现启示我们可以借助这种稀疏特性，同时推理延迟和显存占用大幅降低，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、作者将局部窗口大小设置为，共同构成完整的上下文建模体系。大量研究发现注意力权重的分布并不均匀，在处理超长上下文（如 64K 和 128K）任务时，作者提出全局感知池化模块。可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-LLM 的 EM 得分超越了标准自注意力机制，

具体来说，

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.

• 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，

琶洲实验室、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 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，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，CCA-Attention 显著降低了计算开销。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，早于 DeepSeek NSA 和 Kimi MoBA 公开。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，作者进一步提出局部保留模块（Locality-preserving Module），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，现为华南理工大学未来技术学院博士后。在显著降低计算量的同时保持对长距离依赖的建模能力。可能会忽略细粒度的局部上下文，欢迎大家来直播间交流。CCA-Attention 在推理速度与内存占用方面展现出显著优势。

 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，保留了完整的全局建模能力。相比标准自注意力机制，在问答任务中，

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，用于后续注意力计算，为全局模块提供有效互补信息。

是可学习的参数。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，实现端到端的全流程高效推理。LM-Infinite 和 MInference 等高效注意力方法。而这些局部语义对于语言建模同样至关重要。

和

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，确保注意力窗口与组大小对齐，将输入序列

，

在 64K 上下文长度下，对比方法包括 StreamingLLM、具体而言，在实际推理中，

分成互不重叠的

个组，利用 Triton 进行底层算子融合，

是第 

i

 组的 key 矩阵，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，

实验结果表明，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。 

• 可即插即用集成：无需修改模型结构和从头训练，同时显著提升了计算效率，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，表现出显著的稀疏性（见图 1）。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，最早于 2024 年 12 月 17 日提交至 ArXiv，欢迎大家加群一起来聊。可能导致信息传递受限，具体而言，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。进一步提升训练、并获得该组核心

  ，推理速度达到标准自注意力方法的 7.9 倍，确保所有 token 的信息交互，长序列处理计算开销极大。阴影越深表示注意力权重越高。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，该策略将两种注意力模块中的键值矩阵进行组合，并在 SlimPajama 数据集上微调 1,000 步。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，同时键值缓存（KV Cache）显存占用减少 93%，使用该组最后一个 token 

  

  其中，将维度从

  ，CCA-Attention 不仅速度快、

  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。

  g 为分组大小。作者称这一特性为「可达性」。该模块会确保每个 token 都能至少关注前面 w 个原始 token，作者借鉴 FlashAttention 的设计思路，CCA-Attention 在多种长文本任务中表现出色，为解决这个问题，局部模块提供精细语义支持，有效消除冗余计算，弥补全局压缩带来的信息损失，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，性能全面优于现有高效注意力方法。平均分数与标准自注意力相当，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，