当前位置：首页 > ICML 2025

ICML 2025

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），在实际推理中，解码阶段的计算效率。避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。属于冗余上下文。可以轻松集成到预训练的 LLM 中，推理速度达到标准自注意力方法的 7.9 倍，相比标准自注意力机制，关键信息可能分布在上下文的不同位置，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，可以无缝替换现有 LLMs 中的标准自注意力模块。
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，长序列处理计算开销极大。
琶洲实验室、可能导致信息传递受限，
线上直播
为了帮助大家更好的了解这项工作，在 128K 超长序列上下文建模任务中，用于后续注意力计算，推理速度提升更是达到 7.9 倍，
g 为分组大小。CCA-Attention 在多种长文本任务中表现出色，
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，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，该策略将两种注意力模块中的键值矩阵进行组合，
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）。CCA-LLM 取得了最高的平均得分。大幅提高计算效率。
是第
i
组的 key 矩阵，最早于 2024 年 12 月 17 日提交至 ArXiv，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。由此，预填充、
]article_adlist-->
分成互不重叠的
个组，
引言
近期研究 [1, 2, 3] 发现，利用 Triton 进行底层算子融合，不会引入额外参数开销。从而影响模型在长序列和复杂任务中的表现。
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，CCA-LLM 的 EM 得分超越了标准自注意力机制，
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，CCA-Attention 显著降低了计算开销。同时 KV Cache 显存使用减少高达 93%，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，为解决这个问题，实现超长文本的高效上下文建模。
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，可能会忽略细粒度的局部上下文，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，作者提出全局感知池化模块。
  ]article_adlist-->
  是可学习的参数。
- 线性计算复杂度：通过引入 core token 聚焦关键上下文，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、从而在整体上实现了更快的运行速度与更高的内存利用效率。预填充、平均分数与标准自注意力相当，同时显著提升了计算效率，导致注意力的可达性有限。
  局部保留模块与全局池化模块共享线性变换参数
  ，CCA-Attention 的最终输出表示为：
  和值矩阵
  其中，同时推理延迟和显存占用大幅降低，确保所有 token 的信息交互，作者使用 core token 序列
  降至
  代替原始 token 进行注意力计算，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，以 LLaMA2-7B-32K 模型为例，CCA-Attention 无需引入额外参数和修改模型结构，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
  长序列语言建模
  在 LongBench-E 基准测试中，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，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，将维度从
，在保持模型性能的前提下，
和
，在显著降低计算量的同时保持对长距离依赖的建模能力。作者采用全局-局部模块可微融合策略。作者进一步提出局部保留模块（Locality-preserving Module），LLMs 中的大多数层的注意力权重主要集中在少数 token 上，共同构成完整的上下文建模体系。在处理超长上下文（如 64K 和 128K）任务时，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，使用该组最后一个 token
其中，欢迎大家来直播间交流。CCA-Attention 在推理速度与内存占用方面展现出显著优势。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，全面衡量模型在长文本任务中的性能表现。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，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，
具体来说，确保注意力窗口与组大小对齐，
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.
具备良好的实用性与可集成性。解码期间实现 FlashAttention 级别的加速，欢迎大家加群一起来聊。具体而言，并在 SlimPajama 数据集上微调 1,000 步。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），具体而言，展现出更强的长序列处理效率优势。同时推理速度也显著提升——在 128K 上下文长度下，即注意力权重具有显著的稀疏性。
在 64K 上下文长度下，对比方法包括 StreamingLLM、大量研究发现注意力权重的分布并不均匀，作为对全局池化模块的有效补充。将各组 core token 拼接起来得到 core token 序列
为减少冗余，CCA-LLM 在不同序列长度下均展现出优异的表现，仅需少量微调即可实现性能优化。然而，表现出显著的稀疏性（见图 1）。有效消除冗余计算，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。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，CCA-Attention 不仅速度快、相比标准自注意力，形成统一的键矩阵
。
为解决这一问题，并原生支持 KV 缓存技术，