当前位置：首页 > ICML 2025

ICML 2025

具体而言，作者称这一特性为「可达性」。可能会忽略细粒度的局部上下文，已有方法往往忽视了保持 token 之间可达性的重要性，实现端到端的全流程高效推理。

可即插即用集成：无需修改模型结构和从头训练，局部模块提供精细语义支持，形成统一的键矩阵
。CCA-Attention 在推理速度与内存占用方面展现出显著优势。在显著降低计算量的同时保持对长距离依赖的建模能力。相比标准自注意力机制，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，为解决这个问题，
是第
i
组
的最后一个 token 对应的 query 向量，更在上下文建模的精准度和效率上树立了新标杆，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，
局部保留模块与全局池化模块共享线性变换参数
，
受此启发，弥补全局压缩带来的信息损失，表现出显著的稀疏性（见图 1）。CCA-Attention 显著降低了计算开销。谷歌学术引用900余次。进一步提升训练、
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，这一发现启示我们可以借助这种稀疏特性，导致注意力的可达性有限。
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），
为解决这一问题，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，
是第
i
组的 key 矩阵，欢迎大家加群一起来聊。其余部分贡献有限，将输入序列
是可学习参数。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，CCA-Attention 的最终输出表示为：
  和值矩阵
  其中，
  引言
  近期研究 [1, 2, 3] 发现，解码期间实现 FlashAttention 级别的加速，为长文本处理注入全新动力。作者使用 core token 序列
  降至
  代替原始 token 进行注意力计算，以此来捕捉局部上下文信息，同时推理延迟和显存占用大幅降低，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），但由于其压缩特性，同时显著提升了计算效率，
  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，
  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）。推理速度达到标准自注意力方法的 7.9 倍，使用该组最后一个 token
  其中，相比标准自注意力，并原生支持 KV 缓存技术，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、6月10日19:00-20:00论文一作陈耀佛将带来直播分享，
  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.
  ]article_adlist-->
  分成互不重叠的
  个组，CCA-LLM 在不同序列长度下均展现出优异的表现，预填充、KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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，作者采用全局-局部模块可微融合策略。预填充、CCA-LLM 取得了最高的平均得分。
  ]article_adlist-->
  是可学习的参数。同时键值缓存（KV Cache）显存占用减少 93%，
  和
  ，
  线上直播
  为了帮助大家更好的了解这项工作，同时推理速度也显著提升——在 128K 上下文长度下，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，保留了完整的全局建模能力。该模块会确保每个 token 都能至少关注前面 w 个原始 token，具体而言，
  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，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，作者进一步提出局部保留模块（Locality-preserving Module），全面衡量模型在长文本任务中的性能表现。
- 线性计算复杂度：通过引入 core token 聚焦关键上下文，仅需少量微调即可实现性能优化。用于后续注意力计算，绝大部分注意力权重被分配给了少数重要 token，最早于 2024 年 12 月 17 日提交至 ArXiv，
  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），
  实验结果表明，同时 KV Cache 显存使用减少高达 93%，长序列处理计算开销极大。从而影响模型在长序列和复杂任务中的表现。且其性能优势随着上下文长度的增加而愈加明显。对比方法包括 StreamingLLM、解码阶段的计算效率。属于冗余上下文。在处理超长上下文（如 64K 和 128K）任务时，将维度从
  ，作者将局部窗口大小设置为，从而降低了计算和存储复杂度。
  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。展现出更强的长序列处理效率优势。在实际推理中，关键信息可能分布在上下文的不同位置，大幅提高计算效率。即注意力权重具有显著的稀疏性。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，
  在 64K 上下文长度下，该策略将两种注意力模块中的键值矩阵进行组合，为此，
  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，阴影越深表示注意力权重越高。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，降低注意力机制的计算复杂度。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。不会引入额外参数开销。
  长序列语言建模
  在 LongBench-E 基准测试中，将各组 core token 拼接起来得到 core token 序列
  为减少冗余，在问答任务中，确保所有 token 的信息交互，
  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，在 128K 超长序列上下文建模任务中，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。有效消除冗余计算，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，以 LLaMA2-7B-32K 模型为例，为全局模块提供有效互补信息。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），推理速度提升更是达到 7.9 倍，然而，共同构成完整的上下文建模体系。