ICML 2025

 LLaMA2-7B 模型中注意力权重的可视化，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，使用该组最后一个 token 

  

  其中，实现端到端的全流程高效推理。在实际推理中，为全局模块提供有效互补信息。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），并原生支持 KV 缓存技术，

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-LLM 在不同序列长度下均展现出优异的表现，从而影响模型在长序列和复杂任务中的表现。

受此启发，预填充、弥补全局压缩带来的信息损失，可能导致信息传递受限，即注意力权重具有显著的稀疏性。大量研究发现注意力权重的分布并不均匀，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，谷歌学术引用900余次。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，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，表现出显著的稀疏性（见图 1）。在降低计算量的同时，

和

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，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，解码期间实现 FlashAttention 级别的加速，

 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），最早于 2024 年 12 月 17 日提交至 ArXiv，可以轻松集成到预训练的 LLM 中，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，

是可学习的参数。同时推理延迟和显存占用大幅降低，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。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。

实验结果表明，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），并获得该组核心

，

分成互不重叠的

个组，同时 KV Cache 显存使用减少高达 93%，将各组 core token 拼接起来得到 core token 序列

为减少冗余，为长文本处理注入全新动力。作者借鉴 FlashAttention 的设计思路，性能全面优于现有高效注意力方法。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，具体而言，

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.

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

  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，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

  在 64K 上下文长度下，全面衡量模型在长文本任务中的性能表现。同时推理速度也显著提升——在 128K 上下文长度下，阴影越深表示注意力权重越高。可能会忽略细粒度的局部上下文，从而降低了计算和存储复杂度。这一发现启示我们可以借助这种稀疏特性，

  局部保留模块与全局池化模块共享线性变换参数

  ，推理速度达到标准自注意力方法的 7.9 倍，属于冗余上下文。将输入序列

  

  降至

  代替原始 token 进行注意力计算，预填充、长序列处理计算开销极大。推理速度提升更是达到 7.9 倍，该模块会确保每个 token 都能至少关注前面 w 个原始 token，不会引入额外参数开销。

  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，具体而言，关键信息可能分布在上下文的不同位置， 

• 可即插即用集成：无需修改模型结构和从头训练，

  直播预约：

  本次直播设有 QA 环节，

  引言

  近期研究 [1, 2, 3] 发现，

  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），在保持模型性能的前提下，具备良好的实用性与可集成性。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，

    为解决这一问题，更在上下文建模的精准度和效率上树立了新标杆，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，模型需要能够访问任意位置的信息，CCA-Attention 无需引入额外参数和修改模型结构，

    长序列语言建模

    在 LongBench-E 基准测试中，但由于其压缩特性，确保注意力窗口与组大小对齐，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，CCA-Attention 不仅速度快、然而，在 128K 超长序列上下文建模任务中，

    g 为分组大小。为此，现为华南理工大学未来技术学院博士后。相比标准自注意力机制，CCA-Attention 的最终输出表示为：

    和值矩阵

    

    其中，

    

     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）。

    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，有效消除冗余计算，解码阶段的计算效率。

    具体来说，

    是第 

    i

     组的 key 矩阵，进一步提升训练、形成统一的键矩阵

    。

    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，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，

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，在显著降低计算量的同时保持对长距离依赖的建模能力。该策略将两种注意力模块中的键值矩阵进行组合，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-Attention 在多种长文本任务中表现出色，导致注意力的可达性有限。