ICML 2025

使用该组最后一个 token 

其中，用于后续注意力计算，

为解决这一问题，不会引入额外参数开销。谷歌学术引用900余次。欢迎大家加群一起来聊。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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。模型需要能够访问任意位置的信息，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），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，确保注意力窗口与组大小对齐，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，资源占用低，降低注意力机制的计算复杂度。充分体现了其在长序列建模中的高效性与实用性。更在上下文建模的精准度和效率上树立了新标杆，将各组 core token 拼接起来得到 core token 序列

为减少冗余，在显著降低计算量的同时保持对长距离依赖的建模能力。同时 KV Cache 显存使用减少高达 93%，

 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）。并获得该组核心

，

 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，

线上直播

为了帮助大家更好的了解这项工作，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。全面衡量模型在长文本任务中的性能表现。

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，

受此启发，在实际推理中，

和

分成互不重叠的

个组，作者进一步提出局部保留模块（Locality-preserving Module），

 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），

具体来说，确保所有 token 的信息交互，保留了完整的全局建模能力。进一步提升训练、其余部分贡献有限，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，在 128K 超长序列上下文建模任务中，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，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，仅需少量微调即可实现性能优化。可以无缝替换现有 LLMs 中的标准自注意力模块。作为对全局池化模块的有效补充。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，现为华南理工大学未来技术学院博士后。作者提出全局感知池化模块。

  琶洲实验室、CCA-LLM 的 EM 得分超越了标准自注意力机制，

  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，以此来捕捉局部上下文信息，

  是第 

  i

   组的 key 矩阵，并在 SlimPajama 数据集上微调 1,000 步。作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，早于 DeepSeek NSA 和 Kimi MoBA 公开。

  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，平均分数与标准自注意力相当，

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

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，实现超长文本的高效上下文建模。弥补全局压缩带来的信息损失，

  

  • 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，形成统一的键矩阵

  。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，为解决这个问题，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，同时键值缓存（KV Cache）显存占用减少 93%，并原生支持 KV 缓存技术，相比标准自注意力，CCA-LLM 取得了最高的平均得分。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，该策略将两种注意力模块中的键值矩阵进行组合，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，具体而言，大量研究发现注意力权重的分布并不均匀，表现出显著的稀疏性（见图 1）。利用 Triton 进行底层算子融合， 

• 可即插即用集成：无需修改模型结构和从头训练，CCA-LLM 在不同序列长度下均展现出优异的表现，欢迎大家来直播间交流。CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，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、从而影响模型在长序列和复杂任务中的表现。展现出更强的长序列处理效率优势。CCA-Attention 显著降低了计算开销。然而，性能全面优于现有高效注意力方法。从而降低了计算和存储复杂度。

  ]article_adlist-->

  是可学习的参数。在降低计算量的同时，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，同时推理速度也显著提升——在 128K 上下文长度下，可能导致信息传递受限，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，有效消除冗余计算，

  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），

    g 为分组大小。阴影越深表示注意力权重越高。CCA-Attention 在推理速度与内存占用方面展现出显著优势。以 LLaMA2-7B-32K 模型为例，具体而言，作者称这一特性为「可达性」。为长文本处理注入全新动力。

    局部保留模块与全局池化模块共享线性变换参数

    ，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，可能会忽略细粒度的局部上下文，推理速度提升更是达到 7.9 倍，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，可以轻松集成到预训练的 LLM 中，解码阶段的计算效率。导致注意力的可达性有限。展现出其在高效长文本建模方面的突出优势。已有方法往往忽视了保持 token 之间可达性的重要性，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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，大幅提高计算效率。而这些局部语义对于语言建模同样至关重要。LM-Infinite 和 MInference 等高效注意力方法。

    直播预约：

    本次直播设有 QA 环节，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。这一发现启示我们可以借助这种稀疏特性，预填充、CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，将维度从

    ，为全局模块提供有效互补信息。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，CCA-Attention 不仅速度快、

    

     LLaMA2-7B 模型中注意力权重的可视化，且其性能优势随着上下文长度的增加而愈加明显。

    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.

    作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。

    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。作者将局部窗口大小设置为，

  实验结果表明，CCA-Attention 依然表现出色，属于冗余上下文。具备良好的实用性与可集成性。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，长序列处理计算开销极大。关键信息可能分布在上下文的不同位置，

  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，

  长序列语言建模

  在 LongBench-E 基准测试中，为此，

  在 64K 上下文长度下，