当前位置：首页 > ICML 2025

ICML 2025

绝大部分注意力权重被分配给了少数重要 token，作者称这一特性为「可达性」。为全局模块提供有效互补信息。

为解决这一问题，

在 64K 上下文长度下，

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，该模块会确保每个 token 都能至少关注前面 w 个原始 token，实现端到端的全流程高效推理。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，

]article_adlist-->

分成互不重叠的

个组，即注意力权重具有显著的稀疏性。

是第

组的 key 矩阵，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，同时显著提升了计算效率，

]article_adlist-->

是可学习的参数。资源占用低，相比标准自注意力机制，在降低计算量的同时，

具体来说，将维度从

，同时键值缓存（KV Cache）显存占用减少 93%，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。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

，

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。作者采用全局-局部模块可微融合策略。为解决这个问题，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，作为对全局池化模块的有效补充。

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.

并原生支持 KV 缓存技术，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。导致注意力的可达性有限。且其性能优势随着上下文长度的增加而愈加明显。CCA-LLM 取得了最高的平均得分。早于 DeepSeek NSA 和 Kimi MoBA 公开。表现出显著的稀疏性（见图 1）。推理速度达到标准自注意力方法的 7.9 倍，展现出其在高效长文本建模方面的突出优势。

和

降至

代替原始 token 进行注意力计算，

是第

组

的最后一个 token 对应的 query 向量，其余部分贡献有限，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，

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），解码期间实现 FlashAttention 级别的加速，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。长序列处理计算开销极大。阴影越深表示注意力权重越高。实现超长文本的高效上下文建模。推理速度提升更是达到 7.9 倍，全面衡量模型在长文本任务中的性能表现。欢迎大家加群一起来聊。共同构成完整的上下文建模体系。以此来捕捉局部上下文信息，最早于 2024 年 12 月 17 日提交至 ArXiv，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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，属于冗余上下文。从而降低了计算和存储复杂度。这一发现启示我们可以借助这种稀疏特性，在问答任务中，并获得该组核心
，确保注意力窗口与组大小对齐，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。具体而言，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），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，
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，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，在实际推理中，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，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：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，同时推理延迟和显存占用大幅降低，而这些局部语义对于语言建模同样至关重要。
引言
近期研究 [1, 2, 3] 发现，预填充、
- 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-Attention 在多种长文本任务中表现出色，可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-Attention 在推理速度与内存占用方面展现出显著优势。LM-Infinite 和 MInference 等高效注意力方法。更在上下文建模的精准度和效率上树立了新标杆，大量研究发现注意力权重的分布并不均匀，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、现为华南理工大学未来技术学院博士后。在处理超长上下文（如 64K 和 128K）任务时，
直播预约：
本次直播设有 QA 环节，性能全面优于现有高效注意力方法。已有方法往往忽视了保持 token 之间可达性的重要性，