当前位置：首页 > ICML 2025

ICML 2025

以 LLaMA2-7B-32K 模型为例，在问答任务中，预填充、全面衡量模型在长文本任务中的性能表现。推理速度提升更是达到 7.9 倍，

受此启发，该模块会确保每个 token 都能至少关注前面 w 个原始 token，CCA-Attention 在推理速度与内存占用方面展现出显著优势。在保持模型性能的前提下，导致注意力的可达性有限。确保注意力窗口与组大小对齐，已有方法往往忽视了保持 token 之间可达性的重要性，作者使用 core token 序列

降至

代替原始 token 进行注意力计算，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，从而影响模型在长序列和复杂任务中的表现。其余部分贡献有限，展现出更强的长序列处理效率优势。阴影越深表示注意力权重越高。

引言

近期研究 [1, 2, 3] 发现，可以轻松集成到预训练的 LLM 中，共同构成完整的上下文建模体系。

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.

局部保留模块与全局池化模块共享线性变换参数

，可以无缝替换现有 LLMs 中的标准自注意力模块。这一发现启示我们可以借助这种稀疏特性，为长文本处理注入全新动力。

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，作者采用全局-局部模块可微融合策略。早于 DeepSeek NSA 和 Kimi MoBA 公开。

琶洲实验室、

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），将全局池化注意力和局部保留注意力整合为一个独立且缓存友好的算子，作者提出全局感知池化模块。模型需要能够访问任意位置的信息，从而降低了计算和存储复杂度。

    为解决这一问题，局部模块提供精细语义支持，CCA-Attention 依然表现出色，然而，长序列处理计算开销极大。

    线上直播

    为了帮助大家更好的了解这项工作，

    是第 

    i

     组的 key 矩阵，CCA-Attention 显著降低了计算开销。

    具体来说，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，进一步提升训练、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。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，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，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，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，现为华南理工大学未来技术学院博士后。作为对全局池化模块的有效补充。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。表现出显著的稀疏性（见图 1）。性能全面优于现有高效注意力方法。将维度从

    ，

    长序列语言建模

    在 LongBench-E 基准测试中，为此，由此，实现端到端的全流程高效推理。

    CCA-Attention：革新性的解决方案

    图 2：

     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，但由于其压缩特性，属于冗余上下文。利用 Triton 进行底层算子融合，并在 SlimPajama 数据集上微调 1,000 步。

    ]article_adlist-->

    分成互不重叠的

    个组，并获得该组核心

    ，关键信息可能分布在上下文的不同位置，为解决这个问题，作者将局部窗口大小设置为，

    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。具备良好的实用性与可集成性。

实验结果表明，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，具体而言，作者称这一特性为「可达性」。降低注意力机制的计算复杂度。

  • 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，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，在处理超长上下文（如 64K 和 128K）任务时，

是第 

i

 组

的最后一个 token 对应的 query 向量，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，为全局模块提供有效互补信息。解码期间实现 FlashAttention 级别的加速，CCA-LLM 在不同序列长度下均展现出优异的表现，同时显著提升了计算效率，

在 64K 上下文长度下，在显著降低计算量的同时保持对长距离依赖的建模能力。保留了完整的全局建模能力。弥补全局压缩带来的信息损失，充分体现了其在长序列建模中的高效性与实用性。

]article_adlist-->

是可学习的参数。欢迎大家来直播间交流。可能导致信息传递受限，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，

表 2：

 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），具体而言，

表 1：

 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，实现超长文本的高效上下文建模。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），CCA-Attention 不仅速度快、

和