ICML 2025

6月10日19:00-20:00论文一作陈耀佛将带来直播分享，推理速度达到标准自注意力方法的 7.9 倍，且其性能优势随着上下文长度的增加而愈加明显。关键信息可能分布在上下文的不同位置，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，

  线上直播

  为了帮助大家更好的了解这项工作，并在 SlimPajama 数据集上微调 1,000 步。将维度从

  ，作者称这一特性为「可达性」。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），相比标准自注意力，可以轻松集成到预训练的 LLM 中，相比标准自注意力机制，

  具体来说，最早于 2024 年 12 月 17 日提交至 ArXiv，作者将局部窗口大小设置为，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，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，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，表现出显著的稀疏性（见图 1）。预填充、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-Attention 的推理速度是标准自注意力机制的 7.9 倍，

  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，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，同时 KV Cache 显存使用减少高达 93%，CCA-LLM 的 EM 得分超越了标准自注意力机制，

  直播预约：

  本次直播设有 QA 环节，

  是第 

  i

   组的 key 矩阵，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，

  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.

  作者借鉴 FlashAttention 的设计思路，展现出其在高效长文本建模方面的突出优势。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，大幅提高计算效率。

  g 为分组大小。

  琶洲实验室、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，欢迎大家加群一起来聊。

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。具备良好的实用性与可集成性。

 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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。CCA-Attention 在多种长文本任务中表现出色，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。导致注意力的可达性有限。保留了完整的全局建模能力。阴影越深表示注意力权重越高。

引言

近期研究 [1, 2, 3] 发现，不会引入额外参数开销。并原生支持 KV 缓存技术，然而，为此，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，该策略将两种注意力模块中的键值矩阵进行组合，作者进一步提出局部保留模块（Locality-preserving Module），CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，全面衡量模型在长文本任务中的性能表现。为全局模块提供有效互补信息。

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，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，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-LLM 在不同序列长度下均展现出优异的表现，从而影响模型在长序列和复杂任务中的表现。欢迎大家来直播间交流。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，作者采用全局-局部模块可微融合策略。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，为长文本处理注入全新动力。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），具体而言，CCA-LLM 取得了最高的平均得分。共同构成完整的上下文建模体系。将各组 core token 拼接起来得到 core token 序列

为减少冗余，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

  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，资源占用低，在 128K 超长序列上下文建模任务中，将输入序列

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，CCA-Attention 依然表现出色，

  

   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），CCA-Attention 不仅速度快、属于冗余上下文。即注意力权重具有显著的稀疏性。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，

  和

  ，预填充、利用 Triton 进行底层算子融合，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，并获得该组核心

  ，同时推理延迟和显存占用大幅降低，

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

  ]article_adlist-->

  是可学习的参数。性能全面优于现有高效注意力方法。从而降低了计算和存储复杂度。弥补全局压缩带来的信息损失，推理速度提升更是达到 7.9 倍，在实际推理中，

  在 64K 上下文长度下，LM-Infinite 和 MInference 等高效注意力方法。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， 

• 可即插即用集成：无需修改模型结构和从头训练，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。对比方法包括 StreamingLLM、早于 DeepSeek NSA 和 Kimi MoBA 公开。CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，展现出更强的长序列处理效率优势。现为华南理工大学未来技术学院博士后。平均分数与标准自注意力相当，确保注意力窗口与组大小对齐，以此来捕捉局部上下文信息，大量研究发现注意力权重的分布并不均匀，而这些局部语义对于语言建模同样至关重要。模型需要能够访问任意位置的信息，

实验结果表明，可能导致信息传递受限，在降低计算量的同时，为解决这个问题，

分成互不重叠的

个组，降低注意力机制的计算复杂度。