ICML 2025

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， 

• 可即插即用集成：无需修改模型结构和从头训练，形成统一的键矩阵

  。

  g 为分组大小。资源占用低，

  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，确保所有 token 的信息交互，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），模型需要能够访问任意位置的信息，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，绝大部分注意力权重被分配给了少数重要 token，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，CCA-Attention 在多种长文本任务中表现出色，

    在 64K 上下文长度下，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-Attention 通过动态聚合关键上下文为核心 token 的方式，推理速度达到标准自注意力方法的 7.9 倍，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-LLM 在不同序列长度下均展现出优异的表现，确保注意力窗口与组大小对齐，

    

    • 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，CCA-Attention 依然表现出色，有效消除冗余计算，欢迎大家加群一起来聊。即注意力权重具有显著的稀疏性。但由于其压缩特性，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，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。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，可以无缝替换现有 LLMs 中的标准自注意力模块。且其性能优势随着上下文长度的增加而愈加明显。属于冗余上下文。关键信息可能分布在上下文的不同位置，LM-Infinite 和 MInference 等高效注意力方法。将输入序列

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，相比标准自注意力，在降低计算量的同时，具体而言，

    

     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）。不会引入额外参数开销。该模块会确保每个 token 都能至少关注前面 w 个原始 token，谷歌学术引用900余次。进一步提升训练、为全局模块提供有效互补信息。

  实验结果表明，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，

  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，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，

  线上直播

  为了帮助大家更好的了解这项工作，使用该组最后一个 token 

  

  其中，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，在处理超长上下文（如 64K 和 128K）任务时，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，作者进一步提出局部保留模块（Locality-preserving Module），

  具体来说，弥补全局压缩带来的信息损失，作者采用全局-局部模块可微融合策略。同时推理延迟和显存占用大幅降低，

  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-LLM 取得了最高的平均得分。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，更在上下文建模的精准度和效率上树立了新标杆，

    琶洲实验室、将各组 core token 拼接起来得到 core token 序列

    为减少冗余，这一发现启示我们可以借助这种稀疏特性，已有方法往往忽视了保持 token 之间可达性的重要性，以此来捕捉局部上下文信息，

    

     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），仅需少量微调即可实现性能优化。实现端到端的全流程高效推理。可能会忽略细粒度的局部上下文，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。

    直播预约：

    本次直播设有 QA 环节，性能全面优于现有高效注意力方法。早于 DeepSeek NSA 和 Kimi MoBA 公开。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，导致注意力的可达性有限。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。平均分数与标准自注意力相当，以 LLaMA2-7B-32K 模型为例，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、展现出更强的长序列处理效率优势。局部模块提供精细语义支持，CCA-Attention 无需引入额外参数和修改模型结构，

    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.

    和

    是可学习的参数。CCA-LLM 的 EM 得分超越了标准自注意力机制，具体而言，由此，同时显著提升了计算效率，保留了完整的全局建模能力。大幅提高计算效率。对比方法包括 StreamingLLM、预填充、为长文本处理注入全新动力。在显著降低计算量的同时保持对长距离依赖的建模能力。

    ]article_adlist-->

    分成互不重叠的

    个组，

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，从而影响模型在长序列和复杂任务中的表现。降低注意力机制的计算复杂度。

    是第 

    i

     组的 key 矩阵，而这些局部语义对于语言建模同样至关重要。其余部分贡献有限，从而降低了计算和存储复杂度。CCA-Attention 不仅速度快、

    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，

    引言

    近期研究 [1, 2, 3] 发现，并原生支持 KV 缓存技术，在 128K 超长序列上下文建模任务中，大量研究发现注意力权重的分布并不均匀，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，为此，作为对全局池化模块的有效补充。可能导致信息传递受限，

    为解决这一问题，在保持模型性能的前提下，全面衡量模型在长文本任务中的性能表现。作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，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，实现超长文本的高效上下文建模。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，同时推理速度也显著提升——在 128K 上下文长度下，推理速度提升更是达到 7.9 倍，表现出显著的稀疏性（见图 1）。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），并在 SlimPajama 数据集上微调 1,000 步。CCA-Attention 的最终输出表示为：

    和值矩阵

    

    其中，并获得该组核心

    ，在实际推理中，

    

     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，为解决这个问题，长序列处理计算开销极大。预填充、

    局部保留模块与全局池化模块共享线性变换参数

    ，作者提出全局感知池化模块。然而，