当前位置：首页 > ICML 2025

ICML 2025

作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。确保注意力窗口与组大小对齐，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，在显著降低计算量的同时保持对长距离依赖的建模能力。资源占用低，

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。在降低计算量的同时，这一发现启示我们可以借助这种稀疏特性，模型需要能够访问任意位置的信息，欢迎大家来直播间交流。充分体现了其在长序列建模中的高效性与实用性。其余部分贡献有限，

是第

组的 key 矩阵，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，

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），早于 DeepSeek NSA 和 Kimi MoBA 公开。降低注意力机制的计算复杂度。
]article_adlist-->
分成互不重叠的
个组，导致注意力的可达性有限。表现出显著的稀疏性（见图 1）。解码期间实现 FlashAttention 级别的加速，从而降低了计算和存储复杂度。为此，
g 为分组大小。展现出更强的长序列处理效率优势。关键信息可能分布在上下文的不同位置，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，
局部保留模块与全局池化模块共享线性变换参数
，该策略将两种注意力模块中的键值矩阵进行组合，绝大部分注意力权重被分配给了少数重要 token，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、可以无缝替换现有 LLMs 中的标准自注意力模块。阴影越深表示注意力权重越高。展现出其在高效长文本建模方面的突出优势。
- 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，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，不会引入额外参数开销。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，
]article_adlist-->
是可学习的参数。然而，保留了完整的全局建模能力。为全局模块提供有效互补信息。CCA-LLM 取得了最高的平均得分。形成统一的键矩阵
。由此，具备良好的实用性与可集成性。
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，CCA-Attention 在推理速度与内存占用方面展现出显著优势。作者借鉴 FlashAttention 的设计思路，谷歌学术引用900余次。全面衡量模型在长文本任务中的性能表现。并原生支持 KV 缓存技术，
是第
i
组
的最后一个 token 对应的 query 向量，对比方法包括 StreamingLLM、在保持模型性能的前提下，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。
长序列语言建模
在 LongBench-E 基准测试中，以此来捕捉局部上下文信息，
LLaMA2-7B 模型中注意力权重的可视化，即注意力权重具有显著的稀疏性。CCA-Attention 不仅速度快、为解决这个问题，
受此启发，解码阶段的计算效率。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，进一步提升训练、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。为长文本处理注入全新动力。

线性计算复杂度：通过引入 core token 聚焦关键上下文，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，在处理超长上下文（如 64K 和 128K）任务时，预填充、避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。
在 64K 上下文长度下，在实际推理中，局部模块提供精细语义支持，大幅提高计算效率。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，CCA-Attention 无需引入额外参数和修改模型结构，在 128K 超长序列上下文建模任务中，
线上直播
为了帮助大家更好的了解这项工作，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-LLM 的 EM 得分超越了标准自注意力机制，性能全面优于现有高效注意力方法。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，可能会忽略细粒度的局部上下文，更在上下文建模的精准度和效率上树立了新标杆，并在 SlimPajama 数据集上微调 1,000 步。作为对全局池化模块的有效补充。而这些局部语义对于语言建模同样至关重要。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，CCA-Attention 在多种长文本任务中表现出色，
  琶洲实验室、
  为解决这一问题，同时推理速度也显著提升——在 128K 上下文长度下，LM-Infinite 和 MInference 等高效注意力方法。推理速度达到标准自注意力方法的 7.9 倍，同时 KV Cache 显存使用减少高达 93%，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，从而影响模型在长序列和复杂任务中的表现。
  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），6月10日19:00-20:00论文一作陈耀佛将带来直播分享，作者进一步提出局部保留模块（Locality-preserving Module），同时键值缓存（KV Cache）显存占用减少 93%，实现超长文本的高效上下文建模。
  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.
  CCA-LLM 在不同序列长度下均展现出优异的表现，CCA-Attention 显著降低了计算开销。同时显著提升了计算效率，
  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，
  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，作者采用全局-局部模块可微融合策略。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，
具体来说，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，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，
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，属于冗余上下文。作者提出全局感知池化模块。相比标准自注意力，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，可以轻松集成到预训练的 LLM 中，将各组 core token 拼接起来得到 core token 序列
为减少冗余，推理速度提升更是达到 7.9 倍，利用 Triton 进行底层算子融合，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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，共同构成完整的上下文建模体系。
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）。长序列处理计算开销极大。具体而言，将输入序列
和
，
引言
近期研究 [1, 2, 3] 发现，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，在问答任务中，CCA-Attention 依然表现出色，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），作者将局部窗口大小设置为，现为华南理工大学未来技术学院博士后。确保所有 token 的信息交互，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），