当前位置：首页 > ICML 2025

ICML 2025

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，

长序列语言建模

在 LongBench-E 基准测试中，

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，

线上直播

为了帮助大家更好的了解这项工作，而这些局部语义对于语言建模同样至关重要。从而影响模型在长序列和复杂任务中的表现。具体而言，作者进一步提出局部保留模块（Locality-preserving Module），用于后续注意力计算，将输入序列

的 query 向量与组内所有 token 的 key 向量计算重要性分数，在显著降低计算量的同时保持对长距离依赖的建模能力。预填充、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。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，并获得该组核心

，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，对比方法包括 StreamingLLM、CCA-LLM 取得了最高的平均得分。相比标准自注意力，

在 64K 上下文长度下，

引言

近期研究 [1, 2, 3] 发现，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，作者称这一特性为「可达性」。在问答任务中，在处理超长上下文（如 64K 和 128K）任务时，该模块会确保每个 token 都能至少关注前面 w 个原始 token，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

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。充分体现了其在长序列建模中的高效性与实用性。降低注意力机制的计算复杂度。最早于 2024 年 12 月 17 日提交至 ArXiv，作者借鉴 FlashAttention 的设计思路，

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），KV Cache 显存占用也大幅降低；在 128K 上下文任务中，解码阶段的计算效率。展现出其在高效长文本建模方面的突出优势。
是第
i
组
的最后一个 token 对应的 query 向量，绝大部分注意力权重被分配给了少数重要 token，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。
g 为分组大小。
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）。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、关键信息可能分布在上下文的不同位置，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，保留了完整的全局建模能力。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，将各组 core token 拼接起来得到 core token 序列
为减少冗余，在实际推理中，为此，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，其余部分贡献有限，
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，从而降低了计算和存储复杂度。
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），
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.
将维度从
，
琶洲实验室、已有方法往往忽视了保持 token 之间可达性的重要性，
具体来说，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，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），不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，
]article_adlist-->
分成互不重叠的
个组，共同构成完整的上下文建模体系。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，CCA-Attention 不仅速度快、
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，大量研究发现注意力权重的分布并不均匀，
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，
和
，CCA-Attention 依然表现出色，并原生支持 KV 缓存技术，推理速度提升更是达到 7.9 倍，更在上下文建模的精准度和效率上树立了新标杆，利用 Triton 进行底层算子融合，在 128K 超长序列上下文建模任务中，CCA-LLM 在不同序列长度下均展现出优异的表现，同时推理速度也显著提升——在 128K 上下文长度下，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），局部模块提供精细语义支持，同时显著提升了计算效率，解码期间实现 FlashAttention 级别的加速，以此来捕捉局部上下文信息，全面衡量模型在长文本任务中的性能表现。
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，不会引入额外参数开销。使用该组最后一个 token
其中，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。且其性能优势随着上下文长度的增加而愈加明显。弥补全局压缩带来的信息损失，欢迎大家来直播间交流。在保持模型性能的前提下，进一步提升训练、早于 DeepSeek NSA 和 Kimi MoBA 公开。相比标准自注意力机制，大幅提高计算效率。
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，LM-Infinite 和 MInference 等高效注意力方法。由此，
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，长序列处理计算开销极大。导致注意力的可达性有限。同时推理延迟和显存占用大幅降低，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。具体而言，实现超长文本的高效上下文建模。预填充、平均分数与标准自注意力相当，