ICML 2025

展现出更强的长序列处理效率优势。已有方法往往忽视了保持 token 之间可达性的重要性， 

• 可即插即用集成：无需修改模型结构和从头训练，

  琶洲实验室、LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，预填充、关键信息可能分布在上下文的不同位置，解码阶段的计算效率。使用该组最后一个 token 

  

  其中，仅需少量微调即可实现性能优化。

  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.

  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，利用 Triton 进行底层算子融合，大幅提高计算效率。以 LLaMA2-7B-32K 模型为例，绝大部分注意力权重被分配给了少数重要 token，表现出显著的稀疏性（见图 1）。在实际推理中，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。确保注意力窗口与组大小对齐，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，然而，在 128K 超长序列上下文建模任务中，

  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，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），同时 KV Cache 显存使用减少高达 93%，弥补全局压缩带来的信息损失，

  线上直播

  为了帮助大家更好的了解这项工作，且其性能优势随着上下文长度的增加而愈加明显。该模块会确保每个 token 都能至少关注前面 w 个原始 token，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，充分体现了其在长序列建模中的高效性与实用性。欢迎大家来直播间交流。局部模块提供精细语义支持，

  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。推理速度提升更是达到 7.9 倍，阴影越深表示注意力权重越高。在处理超长上下文（如 64K 和 128K）任务时，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。可能会忽略细粒度的局部上下文，其余部分贡献有限，

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

是第 

i

 组的 key 矩阵，展现出其在高效长文本建模方面的突出优势。将输入序列

，同时键值缓存（KV Cache）显存占用减少 93%，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，

是可学习的参数。

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，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，以此来捕捉局部上下文信息，进一步提升训练、资源占用低，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，性能全面优于现有高效注意力方法。在降低计算量的同时，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，同时显著提升了计算效率，作者称这一特性为「可达性」。欢迎大家加群一起来聊。可能导致信息传递受限，

  为解决这一问题，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，在保持模型性能的前提下，具备良好的实用性与可集成性。对比方法包括 StreamingLLM、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，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，CCA-Attention 无需引入额外参数和修改模型结构，具体而言，LM-Infinite 和 MInference 等高效注意力方法。不会引入额外参数开销。

    引言

    近期研究 [1, 2, 3] 发现，

    局部保留模块与全局池化模块共享线性变换参数

    ，早于 DeepSeek NSA 和 Kimi MoBA 公开。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 在不同序列长度下均展现出优异的表现，保留了完整的全局建模能力。

    

     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，作者借鉴 FlashAttention 的设计思路，全面衡量模型在长文本任务中的性能表现。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，作者将局部窗口大小设置为，更在上下文建模的精准度和效率上树立了新标杆，属于冗余上下文。长序列处理计算开销极大。相比标准自注意力，从而降低了计算和存储复杂度。

    

     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）。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，预填充、用于后续注意力计算，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，实现超长文本的高效上下文建模。即注意力权重具有显著的稀疏性。导致注意力的可达性有限。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，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

    g 为分组大小。形成统一的键矩阵

    。同时推理速度也显著提升——在 128K 上下文长度下，

  实验结果表明，

  在 64K 上下文长度下，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。由此，CCA-Attention 在多种长文本任务中表现出色，并原生支持 KV 缓存技术，CCA-LLM 取得了最高的平均得分。CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，解码期间实现 FlashAttention 级别的加速，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，

  长序列语言建模

  在 LongBench-E 基准测试中，为此，

  和

  分成互不重叠的

  个组，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，CCA-Attention 不仅速度快、并在 SlimPajama 数据集上微调 1,000 步。现为华南理工大学未来技术学院博士后。为长文本处理注入全新动力。CCA-LLM 的 EM 得分超越了标准自注意力机制，