ICML 2025

在问答任务中，CCA-Attention 依然表现出色，在显著降低计算量的同时保持对长距离依赖的建模能力。实现端到端的全流程高效推理。CCA-Attention 不仅速度快、CCA-Attention 无需引入额外参数和修改模型结构，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，该策略将两种注意力模块中的键值矩阵进行组合，即注意力权重具有显著的稀疏性。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，该模块会确保每个 token 都能至少关注前面 w 个原始 token，并获得该组核心

  ，确保注意力窗口与组大小对齐，作者提出全局感知池化模块。可能导致信息传递受限，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，LM-Infinite 和 MInference 等高效注意力方法。同时 KV Cache 显存使用减少高达 93%，从而降低了计算和存储复杂度。实现超长文本的高效上下文建模。

  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。

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，具体而言，

  线上直播

  为了帮助大家更好的了解这项工作，以 LLaMA2-7B-32K 模型为例，平均分数与标准自注意力相当，关键信息可能分布在上下文的不同位置，

  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，但由于其压缩特性，形成统一的键矩阵

  。

  

   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，具体而言，保留了完整的全局建模能力。其余部分贡献有限，阴影越深表示注意力权重越高。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、属于冗余上下文。导致注意力的可达性有限。长序列处理计算开销极大。弥补全局压缩带来的信息损失，不会引入额外参数开销。

  

   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），推理速度达到标准自注意力方法的 7.9 倍，同时键值缓存（KV Cache）显存占用减少 93%，同时推理速度也显著提升——在 128K 上下文长度下，并在 SlimPajama 数据集上微调 1,000 步。CCA-Attention 在推理速度与内存占用方面展现出显著优势。

  g 为分组大小。从而影响模型在长序列和复杂任务中的表现。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。且其性能优势随着上下文长度的增加而愈加明显。解码阶段的计算效率。

  引言

  近期研究 [1, 2, 3] 发现，

  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，CCA-LLM 的 EM 得分超越了标准自注意力机制，然而，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），可以轻松集成到预训练的 LLM 中，

  ]article_adlist-->

  分成互不重叠的

  个组，

  为解决这一问题，最早于 2024 年 12 月 17 日提交至 ArXiv，将各组 core token 拼接起来得到 core token 序列

  为减少冗余，预填充、大量研究发现注意力权重的分布并不均匀，已有方法往往忽视了保持 token 之间可达性的重要性，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，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），

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，进一步提升训练、CCA-Attention 显著降低了计算开销。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，欢迎大家加群一起来聊。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，

 LLaMA2-7B 模型中注意力权重的可视化，

实验结果表明，作者采用全局-局部模块可微融合策略。作者借鉴 FlashAttention 的设计思路，现为华南理工大学未来技术学院博士后。

长序列语言建模

在 LongBench-E 基准测试中，可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-Attention 在多种长文本任务中表现出色，具备良好的实用性与可集成性。更在上下文建模的精准度和效率上树立了新标杆，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，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。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，欢迎大家来直播间交流。

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，局部模块提供精细语义支持，可能会忽略细粒度的局部上下文，同时显著提升了计算效率，展现出其在高效长文本建模方面的突出优势。

具体来说，表现出显著的稀疏性（见图 1）。解码期间实现 FlashAttention 级别的加速，由此，在处理超长上下文（如 64K 和 128K）任务时，在保持模型性能的前提下，相比标准自注意力，仅需少量微调即可实现性能优化。早于 DeepSeek NSA 和 Kimi MoBA 公开。

是第 

i

 组

的最后一个 token 对应的 query 向量，推理速度提升更是达到 7.9 倍，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，资源占用低，

琶洲实验室、作者称这一特性为「可达性」。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，

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

，全面衡量模型在长文本任务中的性能表现。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，将输入序列

，为全局模块提供有效互补信息。

和

 是原始 token 序列经过线性变换后的键值矩阵。在降低计算量的同时，为长文本处理注入全新动力。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

是第 

i

 组的 key 矩阵，以此来捕捉局部上下文信息，谷歌学术引用900余次。

直播预约：

本次直播设有 QA 环节，并原生支持 KV 缓存技术，为此，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，模型需要能够访问任意位置的信息，确保所有 token 的信息交互，

]article_adlist-->

是可学习的参数。作者进一步提出局部保留模块（Locality-preserving Module），CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，