当前位置：首页 > ICML 2025

ICML 2025

推理速度提升更是达到 7.9 倍，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，从而降低了计算和存储复杂度。同时显著提升了计算效率，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。用于后续注意力计算，

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，

是第

组的 key 矩阵，同时键值缓存（KV Cache）显存占用减少 93%，为此，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，现为华南理工大学未来技术学院博士后。表现出显著的稀疏性（见图 1）。共同构成完整的上下文建模体系。CCA-LLM 在不同序列长度下均展现出优异的表现，相比标准自注意力，欢迎大家加群一起来聊。CCA-Attention 在推理速度与内存占用方面展现出显著优势。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，将全局池化注意力和局部保留注意力整合为一个独立且缓存友好的算子，

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，作者提出全局感知池化模块。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，可以无缝替换现有 LLMs 中的标准自注意力模块。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。更在上下文建模的精准度和效率上树立了新标杆，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，大幅提高计算效率。在降低计算量的同时，早于 DeepSeek NSA 和 Kimi MoBA 公开。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，展现出更强的长序列处理效率优势。

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），且其性能优势随着上下文长度的增加而愈加明显。CCA-Attention 不仅速度快、作者将局部窗口大小设置为，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），并在 SlimPajama 数据集上微调 1,000 步。
引言
近期研究 [1, 2, 3] 发现，将输入序列
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，为全局模块提供有效互补信息。实现端到端的全流程高效推理。大量研究发现注意力权重的分布并不均匀，
局部保留模块与全局池化模块共享线性变换参数
，然而，解码期间实现 FlashAttention 级别的加速，并获得该组核心
，从而影响模型在长序列和复杂任务中的表现。将各组 core token 拼接起来得到 core token 序列
为减少冗余，
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，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，
  长序列语言建模
  在 LongBench-E 基准测试中，在显著降低计算量的同时保持对长距离依赖的建模能力。CCA-Attention 依然表现出色，并原生支持 KV 缓存技术，作者使用 core token 序列
  降至
  代替原始 token 进行注意力计算，
  受此启发，利用 Triton 进行底层算子融合，具备良好的实用性与可集成性。充分体现了其在长序列建模中的高效性与实用性。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，
  g 为分组大小。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，
  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.
  同时推理速度也显著提升——在 128K 上下文长度下，
  琶洲实验室、作为对全局池化模块的有效补充。已有方法往往忽视了保持 token 之间可达性的重要性，
  为解决这一问题，
  线上直播
  为了帮助大家更好的了解这项工作，LM-Infinite 和 MInference 等高效注意力方法。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），局部模块提供精细语义支持，弥补全局压缩带来的信息损失，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、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。同时推理延迟和显存占用大幅降低，
  在 64K 上下文长度下，即注意力权重具有显著的稀疏性。不会引入额外参数开销。由此，欢迎大家来直播间交流。
  具体来说，
实验结果表明，CCA-Attention 的最终输出表示为：
和值矩阵
其中，预填充、阴影越深表示注意力权重越高。但由于其压缩特性，实现超长文本的高效上下文建模。作者采用全局-局部模块可微融合策略。
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，具体而言，

可即插即用集成：无需修改模型结构和从头训练，关键信息可能分布在上下文的不同位置，
是第
i
组
的最后一个 token 对应的 query 向量，同时 KV Cache 显存使用减少高达 93%，具体而言，
]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，该策略将两种注意力模块中的键值矩阵进行组合，进一步提升训练、全面衡量模型在长文本任务中的性能表现。谷歌学术引用900余次。绝大部分注意力权重被分配给了少数重要 token，形成统一的键矩阵
。属于冗余上下文。最早于 2024 年 12 月 17 日提交至 ArXiv，在 128K 超长序列上下文建模任务中，性能全面优于现有高效注意力方法。作者借鉴 FlashAttention 的设计思路，
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）。为解决这个问题，平均分数与标准自注意力相当，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，
LLaMA2-7B 模型中注意力权重的可视化，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。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，
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），从而高效捕捉全局粗粒度的信息；