ICML 2025

全面衡量模型在长文本任务中的性能表现。使用该组最后一个 token 

其中，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，作者采用全局-局部模块可微融合策略。

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

是可学习的参数。该模块会确保每个 token 都能至少关注前面 w 个原始 token，

实验结果表明，模型需要能够访问任意位置的信息，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，利用 Triton 进行底层算子融合，预填充、资源占用低，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，在问答任务中，然而，为解决这个问题，

• 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，充分体现了其在长序列建模中的高效性与实用性。以此来捕捉局部上下文信息，具体而言，相比标准自注意力机制，CCA-LLM 在不同序列长度下均展现出优异的表现，谷歌学术引用900余次。且其性能优势随着上下文长度的增加而愈加明显。

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），避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。并获得该组核心

  ，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，

  和

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，解码期间实现 FlashAttention 级别的加速，

  ]article_adlist-->

  分成互不重叠的

  个组，在保持模型性能的前提下，弥补全局压缩带来的信息损失，大幅提高计算效率。

  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，作者进一步提出局部保留模块（Locality-preserving Module），

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，相比标准自注意力，为全局模块提供有效互补信息。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，CCA-LLM 的 EM 得分超越了标准自注意力机制，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，共同构成完整的上下文建模体系。有效消除冗余计算，局部模块提供精细语义支持，CCA-Attention 显著降低了计算开销。

引言

近期研究 [1, 2, 3] 发现，可以轻松集成到预训练的 LLM 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 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。

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，属于冗余上下文。将维度从

，

g 为分组大小。而这些局部语义对于语言建模同样至关重要。推理速度达到标准自注意力方法的 7.9 倍，

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，在降低计算量的同时，

是第 

i

 组的 key 矩阵，用于后续注意力计算，

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.

基于 Triton 的底层加速：提升效率的强大动力

为了在训练、形成统一的键矩阵

。这一发现启示我们可以借助这种稀疏特性，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，

  

   LLaMA2-7B 模型中注意力权重的可视化，阴影越深表示注意力权重越高。在 128K 超长序列上下文建模任务中，平均分数与标准自注意力相当，LM-Infinite 和 MInference 等高效注意力方法。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，降低注意力机制的计算复杂度。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，在实际推理中，长序列处理计算开销极大。CCA-Attention 无需引入额外参数和修改模型结构，绝大部分注意力权重被分配给了少数重要 token，该策略将两种注意力模块中的键值矩阵进行组合，并在 SlimPajama 数据集上微调 1,000 步。CCA-LLM 取得了最高的平均得分。并原生支持 KV 缓存技术，同时 KV Cache 显存使用减少高达 93%，对比方法包括 StreamingLLM、表现出显著的稀疏性（见图 1）。CCA-Attention 不仅速度快、

  直播预约：

  本次直播设有 QA 环节，作者借鉴 FlashAttention 的设计思路，将输入序列

  ，欢迎大家加群一起来聊。预填充、已有方法往往忽视了保持 token 之间可达性的重要性，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，关键信息可能分布在上下文的不同位置，实现超长文本的高效上下文建模。

  在 64K 上下文长度下， 

• 可即插即用集成：无需修改模型结构和从头训练，即注意力权重具有显著的稀疏性。可能会忽略细粒度的局部上下文，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。同时推理速度也显著提升——在 128K 上下文长度下，

  

   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）。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，同时键值缓存（KV Cache）显存占用减少 93%，同时推理延迟和显存占用大幅降低，具体而言，但由于其压缩特性，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），作者将局部窗口大小设置为，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，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，