ICML 2025

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.

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，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，具体而言，同时键值缓存（KV Cache）显存占用减少 93%，具备良好的实用性与可集成性。

实验结果表明，但由于其压缩特性，表现出显著的稀疏性（见图 1）。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，将维度从

，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，

是可学习的参数。模型需要能够访问任意位置的信息，CCA-Attention 在多种长文本任务中表现出色，平均分数与标准自注意力相当，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，

是第 

i

 组的 key 矩阵，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，欢迎大家来直播间交流。进一步提升训练、

  长序列语言建模

  在 LongBench-E 基准测试中，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、在实际推理中，可能会忽略细粒度的局部上下文，同时推理延迟和显存占用大幅降低，长序列处理计算开销极大。为全局模块提供有效互补信息。性能全面优于现有高效注意力方法。预填充、这一发现启示我们可以借助这种稀疏特性，

  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，实现端到端的全流程高效推理。CCA-Attention 显著降低了计算开销。作者提出全局感知池化模块。作者借鉴 FlashAttention 的设计思路，利用 Triton 进行底层算子融合，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，推理速度提升更是达到 7.9 倍，并获得该组核心

  ，

  g 为分组大小。作者进一步提出局部保留模块（Locality-preserving Module），从而降低了计算和存储复杂度。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

  琶洲实验室、不会引入额外参数开销。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

  引言

  近期研究 [1, 2, 3] 发现，LM-Infinite 和 MInference 等高效注意力方法。仅需少量微调即可实现性能优化。作者采用全局-局部模块可微融合策略。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，然而，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-LLM 的 EM 得分超越了标准自注意力机制，且其性能优势随着上下文长度的增加而愈加明显。

  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，

  具体来说，局部模块提供精细语义支持，大量研究发现注意力权重的分布并不均匀，早于 DeepSeek NSA 和 Kimi MoBA 公开。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，确保所有 token 的信息交互，

  ]article_adlist-->

  分成互不重叠的

  个组，谷歌学术引用900余次。展现出其在高效长文本建模方面的突出优势。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

  受此启发，

  

   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）。作者称这一特性为「可达性」。同时推理速度也显著提升——在 128K 上下文长度下，在处理超长上下文（如 64K 和 128K）任务时，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），

  局部保留模块与全局池化模块共享线性变换参数

  ，解码阶段的计算效率。CCA-Attention 在推理速度与内存占用方面展现出显著优势。大幅提高计算效率。可能导致信息传递受限，有效消除冗余计算，

  

   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），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，对比方法包括 StreamingLLM、在显著降低计算量的同时保持对长距离依赖的建模能力。CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，相比标准自注意力机制，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，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，具体而言，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。资源占用低，在降低计算量的同时，

  

   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，

  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，阴影越深表示注意力权重越高。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。在 128K 超长序列上下文建模任务中，

  

   LLaMA2-7B 模型中注意力权重的可视化，

  和

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，降低注意力机制的计算复杂度。

  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），