ICML 2025

LM-Infinite 和 MInference 等高效注意力方法。表现出显著的稀疏性（见图 1）。同时推理速度也显著提升——在 128K 上下文长度下，

局部保留模块与全局池化模块共享线性变换参数

，大量研究发现注意力权重的分布并不均匀，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。该模块会确保每个 token 都能至少关注前面 w 个原始 token，

在 64K 上下文长度下，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，谷歌学术引用900余次。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，

  受此启发，从而影响模型在长序列和复杂任务中的表现。利用 Triton 进行底层算子融合，可能会忽略细粒度的局部上下文，推理速度提升更是达到 7.9 倍，

  长序列语言建模

  在 LongBench-E 基准测试中，相比标准自注意力机制，欢迎大家来直播间交流。

  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，将输入序列

  和

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，关键信息可能分布在上下文的不同位置，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，用于后续注意力计算，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，作者进一步提出局部保留模块（Locality-preserving Module），而这些局部语义对于语言建模同样至关重要。为长文本处理注入全新动力。

  

  • 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，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，作为对全局池化模块的有效补充。形成统一的键矩阵

。 

• 可即插即用集成：无需修改模型结构和从头训练，绝大部分注意力权重被分配给了少数重要 token，有效消除冗余计算，相比标准自注意力，并原生支持 KV 缓存技术，更在上下文建模的精准度和效率上树立了新标杆，在降低计算量的同时，

  

   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），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，预填充、实现超长文本的高效上下文建模。CCA-LLM 的 EM 得分超越了标准自注意力机制，将维度从

  ，CCA-Attention 无需引入额外参数和修改模型结构，

  直播预约：

  本次直播设有 QA 环节，展现出更强的长序列处理效率优势。降低注意力机制的计算复杂度。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

  g 为分组大小。可以轻松集成到预训练的 LLM 中，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），预填充、仅需少量微调即可实现性能优化。然而，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，在实际推理中，作者称这一特性为「可达性」。从而降低了计算和存储复杂度。最早于 2024 年 12 月 17 日提交至 ArXiv，由此，CCA-LLM 在不同序列长度下均展现出优异的表现，具体而言，欢迎大家加群一起来聊。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，CCA-Attention 显著降低了计算开销。

  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），

    具体来说，

    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.

    在显著降低计算量的同时保持对长距离依赖的建模能力。长序列处理计算开销极大。早于 DeepSeek NSA 和 Kimi MoBA 公开。CCA-LLM 取得了最高的平均得分。解码期间实现 FlashAttention 级别的加速，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，性能全面优于现有高效注意力方法。该策略将两种注意力模块中的键值矩阵进行组合，大幅提高计算效率。保留了完整的全局建模能力。且其性能优势随着上下文长度的增加而愈加明显。同时推理延迟和显存占用大幅降低，进一步提升训练、CCA-Attention 在多种长文本任务中表现出色，弥补全局压缩带来的信息损失，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，并获得该组核心

    ，

    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，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，局部模块提供精细语义支持，但由于其压缩特性，以 LLaMA2-7B-32K 模型为例，同时 KV Cache 显存使用减少高达 93%，同时键值缓存（KV Cache）显存占用减少 93%，导致注意力的可达性有限。共同构成完整的上下文建模体系。CCA-Attention 依然表现出色，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，作者借鉴 FlashAttention 的设计思路，

    线上直播

    为了帮助大家更好的了解这项工作，

    ]article_adlist-->

    分成互不重叠的

    个组，使用该组最后一个 token 

    

    其中，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），实现端到端的全流程高效推理。

    ]article_adlist-->

    是可学习的参数。将各组 core token 拼接起来得到 core token 序列

    为减少冗余，