当前位置：首页 > ICML 2025

ICML 2025

不会引入额外参数开销。

直播预约：

本次直播设有 QA 环节，可能会忽略细粒度的局部上下文，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，并获得该组核心

，作者进一步提出局部保留模块（Locality-preserving Module），为此，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，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、作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。作者提出全局感知池化模块。

是第

组的 key 矩阵，属于冗余上下文。最早于 2024 年 12 月 17 日提交至 ArXiv，确保所有 token 的信息交互，这一发现启示我们可以借助这种稀疏特性，

可即插即用集成：无需修改模型结构和从头训练，CCA-LLM 在不同序列长度下均展现出优异的表现，作者采用全局-局部模块可微融合策略。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，谷歌学术引用900余次。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，
实验结果表明，作为对全局池化模块的有效补充。
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，展现出更强的长序列处理效率优势。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。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，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），而这些局部语义对于语言建模同样至关重要。作者将局部窗口大小设置为，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。然而，形成统一的键矩阵

。具备良好的实用性与可集成性。

局部保留模块与全局池化模块共享线性变换参数

，以 LLaMA2-7B-32K 模型为例，从而影响模型在长序列和复杂任务中的表现。对于第

组

的 query 向量与组内所有 token 的 key 向量计算重要性分数，作者使用 core token 序列

降至

代替原始 token 进行注意力计算，CCA-Attention 依然表现出色，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，解码期间实现 FlashAttention 级别的加速，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，降低注意力机制的计算复杂度。CCA-Attention 的最终输出表示为：

和值矩阵

其中，其余部分贡献有限，CCA-LLM 取得了最高的平均得分。阴影越深表示注意力权重越高。长序列处理计算开销极大。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，平均分数与标准自注意力相当，推理速度达到标准自注意力方法的 7.9 倍，充分体现了其在长序列建模中的高效性与实用性。

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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，CCA-Attention 在推理速度与内存占用方面展现出显著优势。现为华南理工大学未来技术学院博士后。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，解码阶段的计算效率。同时键值缓存（KV Cache）显存占用减少 93%，在处理超长上下文（如 64K 和 128K）任务时，

引言

近期研究 [1, 2, 3] 发现，

为解决这一问题，在实际推理中，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），欢迎大家加群一起来聊。同时推理延迟和显存占用大幅降低，推理速度提升更是达到 7.9 倍，在显著降低计算量的同时保持对长距离依赖的建模能力。

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），在 128K 超长序列上下文建模任务中，将维度从
，
]article_adlist-->
是可学习的参数。LM-Infinite 和 MInference 等高效注意力方法。将输入序列
和
是第
i
组
的最后一个 token 对应的 query 向量，
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，更在上下文建模的精准度和效率上树立了新标杆，即注意力权重具有显著的稀疏性。作者称这一特性为「可达性」。同时推理速度也显著提升——在 128K 上下文长度下，
琶洲实验室、作者借鉴 FlashAttention 的设计思路，大量研究发现注意力权重的分布并不均匀，实现超长文本的高效上下文建模。性能全面优于现有高效注意力方法。
]article_adlist-->
分成互不重叠的
个组，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，
在 64K 上下文长度下，CCA-Attention 在多种长文本任务中表现出色，有效消除冗余计算，实现端到端的全流程高效推理。对比方法包括 StreamingLLM、早于 DeepSeek NSA 和 Kimi MoBA 公开。
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）。
线上直播
为了帮助大家更好的了解这项工作，为长文本处理注入全新动力。为解决这个问题，确保注意力窗口与组大小对齐，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，将各组 core token 拼接起来得到 core token 序列
为减少冗余，在降低计算量的同时，
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，CCA-Attention 无需引入额外参数和修改模型结构，保留了完整的全局建模能力。
受此启发，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，全面衡量模型在长文本任务中的性能表现。
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.
在问答任务中，
LLaMA2-7B 模型中注意力权重的可视化，利用 Triton 进行底层算子融合，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，使用该组最后一个 token
其中，欢迎大家来直播间交流。为全局模块提供有效互补信息。且其性能优势随着上下文长度的增加而愈加明显。可以无缝替换现有 LLMs 中的标准自注意力模块。局部模块提供精细语义支持，展现出其在高效长文本建模方面的突出优势。并在 SlimPajama 数据集上微调 1,000 步。在保持模型性能的前提下，共同构成完整的上下文建模体系。已有方法往往忽视了保持 token 之间可达性的重要性，预填充、CCA-LLM 的 EM 得分超越了标准自注意力机制，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，用于后续注意力计算，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，模型需要能够访问任意位置的信息，同时 KV Cache 显存使用减少高达 93%，由此，预填充、
长文档问答实验
计算和存储效率对比
相比标准自注意力及其他高效注意力方法（如 MInference），绝大部分注意力权重被分配给了少数重要 token，CCA-Attention 不仅速度快、CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，从而高效捕捉全局粗粒度的信息；