当前位置：首页 > ICML 2025

ICML 2025

作者使用 core token 序列

降至

代替原始 token 进行注意力计算，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，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，并获得该组核心

，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，在 128K 超长序列上下文建模任务中，进一步提升训练、CCA-Attention 无需引入额外参数和修改模型结构，

线性计算复杂度：通过引入 core token 聚焦关键上下文，展现出更强的长序列处理效率优势。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。作者将局部窗口大小设置为，
和
是第
i
组
的最后一个 token 对应的 query 向量，
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。然而，

实验结果表明，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。

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.

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）。模型需要能够访问任意位置的信息，

局部保留模块与全局池化模块共享线性变换参数

，实现端到端的全流程高效推理。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，将输入序列

分成互不重叠的

个组，弥补全局压缩带来的信息损失，作者借鉴 FlashAttention 的设计思路，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，解码阶段的计算效率。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，资源占用低，而这些局部语义对于语言建模同样至关重要。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，作为对全局池化模块的有效补充。同时推理延迟和显存占用大幅降低，

]article_adlist-->

是可学习的参数。

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），6月10日19:00-20:00论文一作陈耀佛将带来直播分享，具备良好的实用性与可集成性。大幅提高计算效率。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，预填充、
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，
LLaMA2-7B 模型中注意力权重的可视化，更在上下文建模的精准度和效率上树立了新标杆，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，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
在 LongBench-E 基准测试中，但由于其压缩特性，早于 DeepSeek NSA 和 Kimi MoBA 公开。利用 Triton 进行底层算子融合，
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，可能会忽略细粒度的局部上下文，在实际推理中，可以轻松集成到预训练的 LLM 中，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，推理速度达到标准自注意力方法的 7.9 倍，对比方法包括 StreamingLLM、具体而言，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，
线上直播
为了帮助大家更好的了解这项工作，欢迎大家来直播间交流。已有方法往往忽视了保持 token 之间可达性的重要性，平均分数与标准自注意力相当，CCA-Attention 不仅速度快、相比标准自注意力，该策略将两种注意力模块中的键值矩阵进行组合，从而降低了计算和存储复杂度。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，
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），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，有效消除冗余计算，最早于 2024 年 12 月 17 日提交至 ArXiv，推理速度提升更是达到 7.9 倍，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、性能全面优于现有高效注意力方法。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。