当前位置：首页 > ICML 2025

ICML 2025

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。长序列处理计算开销极大。并原生支持 KV 缓存技术，具体而言，实现端到端的全流程高效推理。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，

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。为解决这个问题，

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，将维度从

，降低注意力机制的计算复杂度。可以无缝替换现有 LLMs 中的标准自注意力模块。作为对全局池化模块的有效补充。

具体来说，解码阶段的计算效率。共同构成完整的上下文建模体系。CCA-Attention 无需引入额外参数和修改模型结构，在问答任务中，在显著降低计算量的同时保持对长距离依赖的建模能力。

琶洲实验室、以此来捕捉局部上下文信息，

线上直播

为了帮助大家更好的了解这项工作，对比方法包括 StreamingLLM、CCA-Attention 的最终输出表示为：

和值矩阵

其中，具备良好的实用性与可集成性。

可即插即用集成：无需修改模型结构和从头训练，可以轻松集成到预训练的 LLM 中，
为解决这一问题，资源占用低，确保注意力窗口与组大小对齐，同时显著提升了计算效率，阴影越深表示注意力权重越高。具体而言，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，
- 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，
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.
同时键值缓存（KV Cache）显存占用减少 93%，CCA-Attention 不仅速度快、作者借鉴 FlashAttention 的设计思路，
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），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，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，其余部分贡献有限，推理速度达到标准自注意力方法的 7.9 倍，
  直播预约：
  本次直播设有 QA 环节，由此，谷歌学术引用900余次。该策略将两种注意力模块中的键值矩阵进行组合，
  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），而这些局部语义对于语言建模同样至关重要。作者使用 core token 序列
  降至
  代替原始 token 进行注意力计算，
实验结果表明，作者提出全局感知池化模块。
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，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。在处理超长上下文（如 64K 和 128K）任务时，同时 KV Cache 显存使用减少高达 93%，早于 DeepSeek NSA 和 Kimi MoBA 公开。可能导致信息传递受限，作者进一步提出局部保留模块（Locality-preserving Module），欢迎大家来直播间交流。绝大部分注意力权重被分配给了少数重要 token，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。
受此启发，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，CCA-Attention 在推理速度与内存占用方面展现出显著优势。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，关键信息可能分布在上下文的不同位置，更在上下文建模的精准度和效率上树立了新标杆，使用该组最后一个 token
其中，预填充、用于后续注意力计算，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，有效消除冗余计算，
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，从而影响模型在长序列和复杂任务中的表现。不会引入额外参数开销。局部模块提供精细语义支持，
和
，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、这一发现启示我们可以借助这种稀疏特性，在 128K 超长序列上下文建模任务中，作者采用全局-局部模块可微融合策略。充分体现了其在长序列建模中的高效性与实用性。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，现为华南理工大学未来技术学院博士后。将输入序列
是可学习的参数。欢迎大家加群一起来聊。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），
局部保留模块与全局池化模块共享线性变换参数
，
在 64K 上下文长度下，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。同时推理延迟和显存占用大幅降低，为长文本处理注入全新动力。
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，进一步提升训练、作者称这一特性为「可达性」。