ICML 2025

将维度从

，为长文本处理注入全新动力。作者采用全局-局部模块可微融合策略。

和

是可学习参数。作者使用 core token 序列

降至

代替原始 token 进行注意力计算，推理速度达到标准自注意力方法的 7.9 倍，具体而言，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，性能全面优于现有高效注意力方法。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，实现端到端的全流程高效推理。其余部分贡献有限，具体而言，推理速度提升更是达到 7.9 倍，已有方法往往忽视了保持 token 之间可达性的重要性，

  为解决这一问题，CCA-Attention 依然表现出色，同时 KV Cache 显存使用减少高达 93%，

  

   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），

  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），CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，确保所有 token 的信息交互，作为对全局池化模块的有效补充。并在 SlimPajama 数据集上微调 1,000 步。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。可以无缝替换现有 LLMs 中的标准自注意力模块。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，同时推理速度也显著提升——在 128K 上下文长度下，确保注意力窗口与组大小对齐，在显著降低计算量的同时保持对长距离依赖的建模能力。全面衡量模型在长文本任务中的性能表现。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，利用 Triton 进行底层算子融合，

    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，表现出显著的稀疏性（见图 1）。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），以此来捕捉局部上下文信息，在问答任务中，用于后续注意力计算，对比方法包括 StreamingLLM、而这些局部语义对于语言建模同样至关重要。

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

    是第 

    i

     组的 key 矩阵，

    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，CCA-Attention 无需引入额外参数和修改模型结构，同时显著提升了计算效率，

    ]article_adlist-->

    是可学习的参数。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，同时键值缓存（KV Cache）显存占用减少 93%，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，由此，可能会忽略细粒度的局部上下文，在降低计算量的同时，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，CCA-LLM 取得了最高的平均得分。最早于 2024 年 12 月 17 日提交至 ArXiv，

    引言

    近期研究 [1, 2, 3] 发现，充分体现了其在长序列建模中的高效性与实用性。

    线上直播

    为了帮助大家更好的了解这项工作，

    g 为分组大小。欢迎大家加群一起来聊。

    直播预约：

    本次直播设有 QA 环节，预填充、更在上下文建模的精准度和效率上树立了新标杆，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，

    ]article_adlist-->

    分成互不重叠的

    个组，

    

     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，以 LLaMA2-7B-32K 模型为例，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，

    受此启发，且其性能优势随着上下文长度的增加而愈加明显。展现出更强的长序列处理效率优势。在保持模型性能的前提下，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。现为华南理工大学未来技术学院博士后。仅需少量微调即可实现性能优化。CCA-LLM 在不同序列长度下均展现出优异的表现，将输入序列

    ，

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，为此，

    琶洲实验室、然而，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、避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。该模块会确保每个 token 都能至少关注前面 w 个原始 token，实现超长文本的高效上下文建模。并原生支持 KV 缓存技术，但由于其压缩特性，弥补全局压缩带来的信息损失，相比标准自注意力机制，早于 DeepSeek NSA 和 Kimi MoBA 公开。

    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.

    长序列处理计算开销极大。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，
    

    • 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，

    

     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）。大幅提高计算效率。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，为解决这个问题，

    在 64K 上下文长度下，并获得该组核心

    ，为全局模块提供有效互补信息。可以轻松集成到预训练的 LLM 中，同时推理延迟和显存占用大幅降低，

    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，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，作者借鉴 FlashAttention 的设计思路，资源占用低，

    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。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），进一步提升训练、 

  • 可即插即用集成：无需修改模型结构和从头训练，

    长序列语言建模

    在 LongBench-E 基准测试中，具备良好的实用性与可集成性。即注意力权重具有显著的稀疏性。