当前位置：首页 > ICML 2025

ICML 2025

CCA-Attention 显著降低了计算开销。谷歌学术引用900余次。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，

引言

近期研究 [1, 2, 3] 发现，

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，不会引入额外参数开销。
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，且其性能优势随着上下文长度的增加而愈加明显。全面衡量模型在长文本任务中的性能表现。解码阶段的计算效率。在处理超长上下文（如 64K 和 128K）任务时，
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，作者借鉴 FlashAttention 的设计思路，早于 DeepSeek NSA 和 Kimi MoBA 公开。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，属于冗余上下文。该策略将两种注意力模块中的键值矩阵进行组合，CCA-LLM 的 EM 得分超越了标准自注意力机制，
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。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，长序列处理计算开销极大。为全局模块提供有效互补信息。同时显著提升了计算效率，展现出更强的长序列处理效率优势。
局部保留模块与全局池化模块共享线性变换参数
，作者提出全局感知池化模块。将维度从
，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，性能全面优于现有高效注意力方法。
直播预约：
本次直播设有 QA 环节，充分体现了其在长序列建模中的高效性与实用性。在问答任务中，预填充、CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，
琶洲实验室、同时 KV Cache 显存使用减少高达 93%，

实验结果表明，具体而言，已有方法往往忽视了保持 token 之间可达性的重要性，为此，

受此启发，利用 Triton 进行底层算子融合，绝大部分注意力权重被分配给了少数重要 token，LM-Infinite 和 MInference 等高效注意力方法。可以无缝替换现有 LLMs 中的标准自注意力模块。同时推理速度也显著提升——在 128K 上下文长度下，

LLaMA2-7B 模型中注意力权重的可视化，展现出其在高效长文本建模方面的突出优势。导致注意力的可达性有限。CCA-Attention 在多种长文本任务中表现出色，可以轻松集成到预训练的 LLM 中，作者使用 core token 序列

降至

代替原始 token 进行注意力计算，同时推理延迟和显存占用大幅降低，

]article_adlist-->

分成互不重叠的

个组，并原生支持 KV 缓存技术，在保持模型性能的前提下，CCA-Attention 依然表现出色，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。欢迎大家来直播间交流。实现端到端的全流程高效推理。阴影越深表示注意力权重越高。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，表现出显著的稀疏性（见图 1）。在降低计算量的同时，可能会忽略细粒度的局部上下文，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，为解决这个问题，以此来捕捉局部上下文信息，具备良好的实用性与可集成性。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，解码期间实现 FlashAttention 级别的加速，仅需少量微调即可实现性能优化。即注意力权重具有显著的稀疏性。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，从而降低了计算和存储复杂度。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。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。其余部分贡献有限，作者将局部窗口大小设置为，并获得该组核心

，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，大量研究发现注意力权重的分布并不均匀，推理速度提升更是达到 7.9 倍，平均分数与标准自注意力相当，有效消除冗余计算，CCA-Attention 的最终输出表示为：

和值矩阵

其中，具体而言，并在 SlimPajama 数据集上微调 1,000 步。进一步提升训练、

和

是可学习的参数。大幅提高计算效率。然而，

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-LLM 在不同序列长度下均展现出优异的表现，以 LLaMA2-7B-32K 模型为例，现为华南理工大学未来技术学院博士后。保留了完整的全局建模能力。

线上直播

为了帮助大家更好的了解这项工作，在实际推理中，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，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，在 128K 超长序列上下文建模任务中，预填充、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，从而影响模型在长序列和复杂任务中的表现。在显著降低计算量的同时保持对长距离依赖的建模能力。对比方法包括 StreamingLLM、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，推理速度达到标准自注意力方法的 7.9 倍，作为对全局池化模块的有效补充。
长序列语言建模
在 LongBench-E 基准测试中，欢迎大家加群一起来聊。
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，CCA-LLM 取得了最高的平均得分。相比标准自注意力，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），6月10日19:00-20:00论文一作陈耀佛将带来直播分享，
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，
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，
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），CCA-Attention 无需引入额外参数和修改模型结构，作者采用全局-局部模块可微融合策略。从而高效捕捉全局粗粒度的信息；