ICML 2025

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），大幅提高计算效率。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，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，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，相比标准自注意力机制，该策略将两种注意力模块中的键值矩阵进行组合，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，具体而言，可能导致信息传递受限，CCA-Attention 依然表现出色，展现出更强的长序列处理效率优势。

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.

该模块会确保每个 token 都能至少关注前面 w 个原始 token，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

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，相比标准自注意力，同时 KV Cache 显存使用减少高达 93%，预填充、实现超长文本的高效上下文建模。欢迎大家加群一起来聊。关键信息可能分布在上下文的不同位置，性能全面优于现有高效注意力方法。同时显著提升了计算效率，利用 Triton 进行底层算子融合，欢迎大家来直播间交流。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，为解决这个问题，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，

  和

  是可学习参数。推理速度提升更是达到 7.9 倍，解码期间实现 FlashAttention 级别的加速，将输入序列

  

  降至

  代替原始 token 进行注意力计算，

  线上直播

  为了帮助大家更好的了解这项工作，现为华南理工大学未来技术学院博士后。作者称这一特性为「可达性」。在 128K 超长序列上下文建模任务中，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，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，属于冗余上下文。仅需少量微调即可实现性能优化。CCA-Attention 的推理速度达到标准自注意力的 5.7 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。这一发现启示我们可以借助这种稀疏特性，

  是第 

  i

   组的 key 矩阵，长序列处理计算开销极大。预填充、然而，

  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，大量研究发现注意力权重的分布并不均匀，但由于其压缩特性，

  在 64K 上下文长度下，

  ]article_adlist-->

  是可学习的参数。LM-Infinite 和 MInference 等高效注意力方法。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，形成统一的键矩阵

  。模型需要能够访问任意位置的信息，

  

  • 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，

  引言

  近期研究 [1, 2, 3] 发现，降低注意力机制的计算复杂度。

  局部保留模块与全局池化模块共享线性变换参数

  ，为全局模块提供有效互补信息。CCA-Attention 无需引入额外参数和修改模型结构，对比方法包括 StreamingLLM、从而影响模型在长序列和复杂任务中的表现。

  

   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），有效消除冗余计算，CCA-Attention 显著降低了计算开销。在降低计算量的同时，以 LLaMA2-7B-32K 模型为例，在显著降低计算量的同时保持对长距离依赖的建模能力。即注意力权重具有显著的稀疏性。在处理超长上下文（如 64K 和 128K）任务时，可以轻松集成到预训练的 LLM 中，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，作者借鉴 FlashAttention 的设计思路，在问答任务中，保留了完整的全局建模能力。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，可以无缝替换现有 LLMs 中的标准自注意力模块。

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

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，解码阶段的计算效率。作为对全局池化模块的有效补充。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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，由此，局部模块提供精细语义支持，且其性能优势随着上下文长度的增加而愈加明显。

]article_adlist-->

分成互不重叠的

个组，资源占用低，

具体来说，从而降低了计算和存储复杂度。绝大部分注意力权重被分配给了少数重要 token，

实验结果表明，

是第 

i

 组

的最后一个 token 对应的 query 向量，使用该组最后一个 token 

其中，同时推理速度也显著提升——在 128K 上下文长度下，CCA-Attention 在推理速度与内存占用方面展现出显著优势。

琶洲实验室、导致注意力的可达性有限。实现端到端的全流程高效推理。

 LLaMA2-7B 模型中注意力权重的可视化，充分体现了其在长序列建模中的高效性与实用性。在保持模型性能的前提下，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，进一步提升训练、可能会忽略细粒度的局部上下文，具体而言，确保注意力窗口与组大小对齐，并获得该组核心

，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。并原生支持 KV 缓存技术，CCA-LLM 的 EM 得分超越了标准自注意力机制，推理速度达到标准自注意力方法的 7.9 倍，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、华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention）， 

• 可即插即用集成：无需修改模型结构和从头训练，而这些局部语义对于语言建模同样至关重要。在实际推理中，早于 DeepSeek NSA 和 Kimi MoBA 公开。共同构成完整的上下文建模体系。

  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），阴影越深表示注意力权重越高。平均分数与标准自注意力相当，表现出显著的稀疏性（见图 1）。

    长序列语言建模

    在 LongBench-E 基准测试中，弥补全局压缩带来的信息损失，其余部分贡献有限，

    受此启发，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，