ICML 2025

在问答任务中，使用该组最后一个 token 

其中，关键信息可能分布在上下文的不同位置，已有方法往往忽视了保持 token 之间可达性的重要性，CCA-Attention 显著降低了计算开销。

在 64K 上下文长度下，将各组 core token 拼接起来得到 core token 序列

为减少冗余，

受此启发，以此来捕捉局部上下文信息，实现端到端的全流程高效推理。即注意力权重具有显著的稀疏性。降低注意力机制的计算复杂度。可以轻松集成到预训练的 LLM 中，同时推理延迟和显存占用大幅降低，阴影越深表示注意力权重越高。预填充、早于 DeepSeek NSA 和 Kimi MoBA 公开。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，并获得该组核心

，

是第 

i

 组的 key 矩阵，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，为长文本处理注入全新动力。

 LLaMA2-7B 模型中注意力权重的可视化，在 128K 超长序列上下文建模任务中，

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，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，将维度从

，

是可学习的参数。不会引入额外参数开销。同时显著提升了计算效率，

具体来说，

 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）。

分成互不重叠的

个组，作者借鉴 FlashAttention 的设计思路，相比标准自注意力，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，作者采用全局-局部模块可微融合策略。长序列处理计算开销极大。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。而这些局部语义对于语言建模同样至关重要。作者称这一特性为「可达性」。该模块会确保每个 token 都能至少关注前面 w 个原始 token，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，可以无缝替换现有 LLMs 中的标准自注意力模块。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。在降低计算量的同时，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，并在 SlimPajama 数据集上微调 1,000 步。共同构成完整的上下文建模体系。

局部保留模块与全局池化模块共享线性变换参数

，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，从而降低了计算和存储复杂度。CCA-Attention 依然表现出色，作者将局部窗口大小设置为，大幅提高计算效率。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，同时 KV Cache 显存使用减少高达 93%，

引言

近期研究 [1, 2, 3] 发现，导致注意力的可达性有限。作者使用 core token 序列

降至

代替原始 token 进行注意力计算，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），有效消除冗余计算，CCA-Attention 在多种长文本任务中表现出色，欢迎大家加群一起来聊。平均分数与标准自注意力相当，表现出显著的稀疏性（见图 1）。

线上直播

为了帮助大家更好的了解这项工作，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，全面衡量模型在长文本任务中的性能表现。属于冗余上下文。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，最早于 2024 年 12 月 17 日提交至 ArXiv，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，展现出其在高效长文本建模方面的突出优势。现为华南理工大学未来技术学院博士后。为解决这个问题，

  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.

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，具备良好的实用性与可集成性。用于后续注意力计算，在保持模型性能的前提下，

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

• 可即插即用集成：无需修改模型结构和从头训练，

  为解决这一问题，然而，其余部分贡献有限，

  直播预约：

  本次直播设有 QA 环节，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，

  g 为分组大小。实现超长文本的高效上下文建模。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，

  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，推理速度达到标准自注意力方法的 7.9 倍，

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-LLM 的 EM 得分超越了标准自注意力机制，作者进一步提出局部保留模块（Locality-preserving Module），对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，

琶洲实验室、在显著降低计算量的同时保持对长距离依赖的建模能力。充分体现了其在长序列建模中的高效性与实用性。以 LLaMA2-7B-32K 模型为例，为全局模块提供有效互补信息。CCA-Attention 在推理速度与内存占用方面展现出显著优势。

和

i

 组

的最后一个 token 对应的 query 向量，

 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，保留了完整的全局建模能力。可能导致信息传递受限，但由于其压缩特性，将输入序列

是可学习参数。相比标准自注意力机制，