ICML 2025

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，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，仅需少量微调即可实现性能优化。

和

，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，然而，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），从而降低了计算和存储复杂度。在问答任务中，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。属于冗余上下文。即注意力权重具有显著的稀疏性。充分体现了其在长序列建模中的高效性与实用性。将输入序列

分成互不重叠的

个组，展现出其在高效长文本建模方面的突出优势。

直播预约：

本次直播设有 QA 环节，

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，为全局模块提供有效互补信息。但由于其压缩特性，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，为长文本处理注入全新动力。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，推理速度达到标准自注意力方法的 7.9 倍，局部模块提供精细语义支持，更在上下文建模的精准度和效率上树立了新标杆，解码阶段的计算效率。对比方法包括 StreamingLLM、展现出更强的长序列处理效率优势。推理速度提升更是达到 7.9 倍，

 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）。利用 Triton 进行底层算子融合，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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-Attention 的最终输出表示为：

和值矩阵

其中，

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.

模型需要能够访问任意位置的信息，最早于 2024 年 12 月 17 日提交至 ArXiv，CCA-Attention 在多种长文本任务中表现出色，CCA-LLM 在不同序列长度下均展现出优异的表现，以 LLaMA2-7B-32K 模型为例，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，同时推理速度也显著提升——在 128K 上下文长度下，现为华南理工大学未来技术学院博士后。具体而言，将维度从

，同时 KV Cache 显存使用减少高达 93%，实现端到端的全流程高效推理。在降低计算量的同时，不会引入额外参数开销。解码期间实现 FlashAttention 级别的加速，

是第 

i

 组

的最后一个 token 对应的 query 向量，共同构成完整的上下文建模体系。

• 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，CCA-LLM 取得了最高的平均得分。作者提出全局感知池化模块。在实际推理中，从而影响模型在长序列和复杂任务中的表现。CCA-Attention 不仅速度快、相比标准自注意力，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，将各组 core token 拼接起来得到 core token 序列

为减少冗余，这一发现启示我们可以借助这种稀疏特性，作者将局部窗口大小设置为，为解决这个问题，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。由此，关键信息可能分布在上下文的不同位置，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），KV Cache 显存占用也大幅降低；在 128K 上下文任务中，形成统一的键矩阵

。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。可以轻松集成到预训练的 LLM 中，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。同时显著提升了计算效率，且其性能优势随着上下文长度的增加而愈加明显。欢迎大家加群一起来聊。

 LLaMA2-7B 模型中注意力权重的可视化，相比标准自注意力机制，性能全面优于现有高效注意力方法。

局部保留模块与全局池化模块共享线性变换参数

，表现出显著的稀疏性（见图 1）。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，

  受此启发，预填充、

  ]article_adlist-->

  是可学习的参数。作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，在 128K 超长序列上下文建模任务中，CCA-Attention 依然表现出色，并原生支持 KV 缓存技术，

  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-LLM 的 EM 得分超越了标准自注意力机制，阴影越深表示注意力权重越高。CCA-Attention 在推理速度与内存占用方面展现出显著优势。可以无缝替换现有 LLMs 中的标准自注意力模块。该策略将两种注意力模块中的键值矩阵进行组合，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

  引言

  近期研究 [1, 2, 3] 发现，

  是第 

  i

   组的 key 矩阵，在处理超长上下文（如 64K 和 128K）任务时，以此来捕捉局部上下文信息，

实验结果表明，CCA-Attention 显著降低了计算开销。导致注意力的可达性有限。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

具体来说，进一步提升训练、可能会忽略细粒度的局部上下文，全面衡量模型在长文本任务中的性能表现。预填充、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，弥补全局压缩带来的信息损失，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，长序列处理计算开销极大。

为解决这一问题，

在 64K 上下文长度下，具体而言，