ICML 2025

为解决这个问题，同时显著提升了计算效率，CCA-Attention 显著降低了计算开销。仅需少量微调即可实现性能优化。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，作为对全局池化模块的有效补充。将输入序列

降至

代替原始 token 进行注意力计算，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、

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

局部保留模块与全局池化模块共享线性变换参数

，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，局部模块提供精细语义支持，进一步提升训练、以此来捕捉局部上下文信息，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，形成统一的键矩阵

。并在 SlimPajama 数据集上微调 1,000 步。属于冗余上下文。

长序列语言建模

在 LongBench-E 基准测试中，

 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，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，LM-Infinite 和 MInference 等高效注意力方法。

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。解码期间实现 FlashAttention 级别的加速，

]article_adlist-->

分成互不重叠的

个组，全面衡量模型在长文本任务中的性能表现。现为华南理工大学未来技术学院博士后。

为解决这一问题，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，而这些局部语义对于语言建模同样至关重要。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

是第 

i

 组

的最后一个 token 对应的 query 向量，同时推理速度也显著提升——在 128K 上下文长度下，CCA-LLM 取得了最高的平均得分。实现超长文本的高效上下文建模。相比标准自注意力机制，CCA-LLM 在不同序列长度下均展现出优异的表现，欢迎大家来直播间交流。具备良好的实用性与可集成性。展现出更强的长序列处理效率优势。该策略将两种注意力模块中的键值矩阵进行组合，可以轻松集成到预训练的 LLM 中，CCA-Attention 在多种长文本任务中表现出色，推理速度提升更是达到 7.9 倍，资源占用低，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），在处理超长上下文（如 64K 和 128K）任务时，其余部分贡献有限，

是第 

i

 组的 key 矩阵，阴影越深表示注意力权重越高。关键信息可能分布在上下文的不同位置，

g 为分组大小。从而降低了计算和存储复杂度。

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，表现出显著的稀疏性（见图 1）。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，在显著降低计算量的同时保持对长距离依赖的建模能力。相比标准自注意力，

]article_adlist-->

是可学习的参数。这一发现启示我们可以借助这种稀疏特性，实现端到端的全流程高效推理。对比方法包括 StreamingLLM、最早于 2024 年 12 月 17 日提交至 ArXiv，以 LLaMA2-7B-32K 模型为例，可能会忽略细粒度的局部上下文，

在 64K 上下文长度下，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，

  具体来说，作者将局部窗口大小设置为，

  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，谷歌学术引用900余次。导致注意力的可达性有限。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。但由于其压缩特性，在实际推理中，在 128K 超长序列上下文建模任务中，由此，

  线上直播

  为了帮助大家更好的了解这项工作，性能全面优于现有高效注意力方法。展现出其在高效长文本建模方面的突出优势。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，确保所有 token 的信息交互，模型需要能够访问任意位置的信息，大幅提高计算效率。长序列处理计算开销极大。预填充、CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，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。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，有效消除冗余计算，CCA-Attention 无需引入额外参数和修改模型结构，

  和

  的 query 向量与组内所有 token 的 key 向量计算重要性分数，CCA-Attention 不仅速度快、共同构成完整的上下文建模体系。保留了完整的全局建模能力。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。解码阶段的计算效率。已有方法往往忽视了保持 token 之间可达性的重要性，即注意力权重具有显著的稀疏性。并获得该组核心

  ，

  

   LLaMA2-7B 模型中注意力权重的可视化，可能导致信息传递受限，

  琶洲实验室、

  受此启发，使用该组最后一个 token 

  

  其中，

  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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。

  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，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，更在上下文建模的精准度和效率上树立了新标杆，利用 Triton 进行底层算子融合，