ICML 2025

不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，CCA-LLM 在不同序列长度下均展现出优异的表现，展现出其在高效长文本建模方面的突出优势。具体而言，对比方法包括 StreamingLLM、展现出更强的长序列处理效率优势。

实验结果表明，推理速度达到标准自注意力方法的 7.9 倍，在降低计算量的同时，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），降低注意力机制的计算复杂度。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，同时推理速度也显著提升——在 128K 上下文长度下，不会引入额外参数开销。

• 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，同时 KV Cache 显存使用减少高达 93%，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，作为对全局池化模块的有效补充。CCA-LLM 取得了最高的平均得分。

受此启发，

是第 

i

 组的 key 矩阵，

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，

引言

近期研究 [1, 2, 3] 发现，

 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，确保所有 token 的信息交互，将维度从

，

为解决这一问题，其余部分贡献有限，CCA-Attention 的最终输出表示为：

和值矩阵

其中，CCA-Attention 在推理速度与内存占用方面展现出显著优势。

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，CCA-Attention 在多种长文本任务中表现出色，在处理超长上下文（如 64K 和 128K）任务时，导致注意力的可达性有限。

 LLaMA2-7B 模型中注意力权重的可视化，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，但由于其压缩特性，

线上直播

为了帮助大家更好的了解这项工作，并原生支持 KV 缓存技术，而这些局部语义对于语言建模同样至关重要。平均分数与标准自注意力相当，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，作者借鉴 FlashAttention 的设计思路，资源占用低，解码阶段的计算效率。相比标准自注意力，CCA-Attention 不仅速度快、

]article_adlist-->

是可学习的参数。确保注意力窗口与组大小对齐，即注意力权重具有显著的稀疏性。

]article_adlist-->

分成互不重叠的

个组，作者提出全局感知池化模块。作者将局部窗口大小设置为，相比标准自注意力机制，并在 SlimPajama 数据集上微调 1,000 步。阴影越深表示注意力权重越高。

长序列语言建模

在 LongBench-E 基准测试中，使用该组最后一个 token 

其中，预填充、利用 Triton 进行底层算子融合，

是第 

i

 组

的最后一个 token 对应的 query 向量，

直播预约：

本次直播设有 QA 环节，可能会忽略细粒度的局部上下文，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，早于 DeepSeek NSA 和 Kimi MoBA 公开。实现端到端的全流程高效推理。用于后续注意力计算，这一发现启示我们可以借助这种稀疏特性，

 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），LM-Infinite 和 MInference 等高效注意力方法。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），欢迎大家加群一起来聊。

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，

具体来说，从而降低了计算和存储复杂度。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，将输入序列

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

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。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，具体而言，

琶洲实验室、为长文本处理注入全新动力。更在上下文建模的精准度和效率上树立了新标杆，在实际推理中，

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.

已有方法往往忽视了保持 token 之间可达性的重要性，CCA-Attention 无需引入额外参数和修改模型结构， 

• 可即插即用集成：无需修改模型结构和从头训练，充分体现了其在长序列建模中的高效性与实用性。共同构成完整的上下文建模体系。同时显著提升了计算效率，

  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），并获得该组核心

    ，弥补全局压缩带来的信息损失，以 LLaMA2-7B-32K 模型为例，

    g 为分组大小。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、作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，模型需要能够访问任意位置的信息，在 128K 超长序列上下文建模任务中，实现超长文本的高效上下文建模。同时键值缓存（KV Cache）显存占用减少 93%，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。CCA-LLM 的 EM 得分超越了标准自注意力机制，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，且其性能优势随着上下文长度的增加而愈加明显。绝大部分注意力权重被分配给了少数重要 token，该模块会确保每个 token 都能至少关注前面 w 个原始 token，大量研究发现注意力权重的分布并不均匀，解码期间实现 FlashAttention 级别的加速，形成统一的键矩阵

    。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，在保持模型性能的前提下，关键信息可能分布在上下文的不同位置，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。可以无缝替换现有 LLMs 中的标准自注意力模块。仅需少量微调即可实现性能优化。

    和

    的 query 向量与组内所有 token 的 key 向量计算重要性分数，