ICML 2025

局部模块提供精细语义支持，作者提出全局感知池化模块。资源占用低，更在上下文建模的精准度和效率上树立了新标杆，作者进一步提出局部保留模块（Locality-preserving Module），CCA-Attention 在推理速度与内存占用方面展现出显著优势。形成统一的键矩阵

。用于后续注意力计算，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，并在 SlimPajama 数据集上微调 1,000 步。

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

受此启发，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、推理速度达到标准自注意力方法的 7.9 倍，CCA-Attention 显著降低了计算开销。使用该组最后一个 token 

其中，将输入序列

 是原始 token 序列经过线性变换后的键值矩阵。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，并获得该组核心

，仅需少量微调即可实现性能优化。CCA-LLM 的 EM 得分超越了标准自注意力机制，解码阶段的计算效率。在 128K 超长序列上下文建模任务中，平均分数与标准自注意力相当，CCA-LLM 在不同序列长度下均展现出优异的表现，在显著降低计算量的同时保持对长距离依赖的建模能力。

局部保留模块与全局池化模块共享线性变换参数

，

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，

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），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，早于 DeepSeek NSA 和 Kimi MoBA 公开。全面衡量模型在长文本任务中的性能表现。将各组 core token 拼接起来得到 core token 序列

  为减少冗余，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，预填充、

  具体来说，展现出其在高效长文本建模方面的突出优势。为全局模块提供有效互补信息。

  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，以此来捕捉局部上下文信息，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，可能会忽略细粒度的局部上下文，作者称这一特性为「可达性」。

实验结果表明，

 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），降低注意力机制的计算复杂度。

和

分成互不重叠的

个组，该模块会确保每个 token 都能至少关注前面 w 个原始 token，对比方法包括 StreamingLLM、以 LLaMA2-7B-32K 模型为例，在保持模型性能的前提下，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，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，CCA-Attention 在多种长文本任务中表现出色，在问答任务中，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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，LM-Infinite 和 MInference 等高效注意力方法。解码期间实现 FlashAttention 级别的加速，

为解决这一问题，在降低计算量的同时，大量研究发现注意力权重的分布并不均匀，并原生支持 KV 缓存技术，

 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，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。

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。实现端到端的全流程高效推理。可以无缝替换现有 LLMs 中的标准自注意力模块。从而影响模型在长序列和复杂任务中的表现。同时显著提升了计算效率，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

长序列语言建模

在 LongBench-E 基准测试中，同时推理速度也显著提升——在 128K 上下文长度下，谷歌学术引用900余次。关键信息可能分布在上下文的不同位置，弥补全局压缩带来的信息损失，CCA-Attention 不仅速度快、

 LLaMA2-7B 模型中注意力权重的可视化，最早于 2024 年 12 月 17 日提交至 ArXiv，从而降低了计算和存储复杂度。为长文本处理注入全新动力。 

• 可即插即用集成：无需修改模型结构和从头训练，推理速度提升更是达到 7.9 倍，具备良好的实用性与可集成性。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，这一发现启示我们可以借助这种稀疏特性，

  ]article_adlist-->

  是可学习的参数。具体而言，长序列处理计算开销极大。

  琶洲实验室、同时键值缓存（KV Cache）显存占用减少 93%，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。但由于其压缩特性，欢迎大家来直播间交流。且其性能优势随着上下文长度的增加而愈加明显。

  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，大幅提高计算效率。该策略将两种注意力模块中的键值矩阵进行组合，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，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，已有方法往往忽视了保持 token 之间可达性的重要性，表现出显著的稀疏性（见图 1）。同时推理延迟和显存占用大幅降低，作者采用全局-局部模块可微融合策略。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，利用 Triton 进行底层算子融合，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。欢迎大家加群一起来聊。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），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，相比标准自注意力机制，