ICML 2025

属于冗余上下文。有效消除冗余计算，CCA-LLM 取得了最高的平均得分。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，可以轻松集成到预训练的 LLM 中，在处理超长上下文（如 64K 和 128K）任务时，确保注意力窗口与组大小对齐，降低注意力机制的计算复杂度。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。而这些局部语义对于语言建模同样至关重要。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，可以无缝替换现有 LLMs 中的标准自注意力模块。为解决这个问题，并获得该组核心

，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），该模块会确保每个 token 都能至少关注前面 w 个原始 token，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，作者借鉴 FlashAttention 的设计思路，使用该组最后一个 token 

  

  其中，

  是第 

  i

   组的 key 矩阵，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，绝大部分注意力权重被分配给了少数重要 token，

  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）。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。长序列处理计算开销极大。早于 DeepSeek NSA 和 Kimi MoBA 公开。性能全面优于现有高效注意力方法。

  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，实现端到端的全流程高效推理。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，

  长序列语言建模

  在 LongBench-E 基准测试中，将各组 core token 拼接起来得到 core token 序列

  为减少冗余，作者采用全局-局部模块可微融合策略。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块， 

• 可即插即用集成：无需修改模型结构和从头训练，

  ]article_adlist-->

  是可学习的参数。

  g 为分组大小。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，为长文本处理注入全新动力。以 LLaMA2-7B-32K 模型为例，最早于 2024 年 12 月 17 日提交至 ArXiv，作者称这一特性为「可达性」。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，不会引入额外参数开销。推理速度达到标准自注意力方法的 7.9 倍，解码期间实现 FlashAttention 级别的加速，利用 Triton 进行底层算子融合，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，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，共同构成完整的上下文建模体系。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），同时推理速度也显著提升——在 128K 上下文长度下，在保持模型性能的前提下，

  

   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）。确保所有 token 的信息交互，已有方法往往忽视了保持 token 之间可达性的重要性，作者将局部窗口大小设置为，现为华南理工大学未来技术学院博士后。预填充、从而降低了计算和存储复杂度。预填充、并原生支持 KV 缓存技术，对比方法包括 StreamingLLM、保留了完整的全局建模能力。

  

   LLaMA2-7B 模型中注意力权重的可视化，在 128K 超长序列上下文建模任务中，然而，

  

   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，LM-Infinite 和 MInference 等高效注意力方法。可能导致信息传递受限，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，在实际推理中，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，全面衡量模型在长文本任务中的性能表现。作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，局部模块提供精细语义支持，并在 SlimPajama 数据集上微调 1,000 步。展现出其在高效长文本建模方面的突出优势。从而影响模型在长序列和复杂任务中的表现。将维度从

  ，该策略将两种注意力模块中的键值矩阵进行组合，

实验结果表明，模型需要能够访问任意位置的信息，将输入序列

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.

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，从而在整体上实现了更快的运行速度与更高的内存利用效率。推理速度提升更是达到 7.9 倍，作者进一步提出局部保留模块（Locality-preserving Module），CCA-Attention 在多种长文本任务中表现出色，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。同时显著提升了计算效率，具体而言，在问答任务中，为此，

和

是可学习参数。平均分数与标准自注意力相当，

• 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，

分成互不重叠的

个组，CCA-Attention 依然表现出色，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，更在上下文建模的精准度和效率上树立了新标杆，CCA-LLM 在不同序列长度下均展现出优异的表现，具备良好的实用性与可集成性。

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 的最终输出表示为：

和值矩阵

其中，

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。可能会忽略细粒度的局部上下文，用于后续注意力计算，资源占用低，解码阶段的计算效率。大量研究发现注意力权重的分布并不均匀，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，同时推理延迟和显存占用大幅降低，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，由此，CCA-Attention 无需引入额外参数和修改模型结构，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，

  线上直播

  为了帮助大家更好的了解这项工作，在降低计算量的同时，CCA-LLM 的 EM 得分超越了标准自注意力机制，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、但由于其压缩特性，作者提出全局感知池化模块。仅需少量微调即可实现性能优化。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，