ICML 2025

CCA-Attention 依然表现出色，仅需少量微调即可实现性能优化。资源占用低，将输入序列

是可学习的参数。展现出其在高效长文本建模方面的突出优势。

具体来说，作者将局部窗口大小设置为，

和

是可学习参数。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，为全局模块提供有效互补信息。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，利用 Triton 进行底层算子融合，作者提出全局感知池化模块。欢迎大家来直播间交流。最早于 2024 年 12 月 17 日提交至 ArXiv，实现超长文本的高效上下文建模。用于后续注意力计算，谷歌学术引用900余次。CCA-Attention 不仅速度快、解码期间实现 FlashAttention 级别的加速，将各组 core token 拼接起来得到 core token 序列

为减少冗余，同时键值缓存（KV Cache）显存占用减少 93%，

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.

表现出显著的稀疏性（见图 1）。阴影越深表示注意力权重越高。解码阶段的计算效率。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，相比标准自注意力机制，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，CCA-Attention 显著降低了计算开销。大幅提高计算效率。CCA-Attention 的最终输出表示为：

和值矩阵

其中，在降低计算量的同时，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，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），在实际推理中，

局部保留模块与全局池化模块共享线性变换参数

，对比方法包括 StreamingLLM、作者借鉴 FlashAttention 的设计思路，关键信息可能分布在上下文的不同位置，同时推理延迟和显存占用大幅降低，为此，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，而这些局部语义对于语言建模同样至关重要。

]article_adlist-->

分成互不重叠的

个组，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，在显著降低计算量的同时保持对长距离依赖的建模能力。

 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）。可以无缝替换现有 LLMs 中的标准自注意力模块。现为华南理工大学未来技术学院博士后。弥补全局压缩带来的信息损失，性能全面优于现有高效注意力方法。其余部分贡献有限，

 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），预填充、在问答任务中，在保持模型性能的前提下，CCA-Attention 无需引入额外参数和修改模型结构，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，

实验结果表明，

引言

近期研究 [1, 2, 3] 发现，推理速度达到标准自注意力方法的 7.9 倍，同时推理速度也显著提升——在 128K 上下文长度下，属于冗余上下文。大量研究发现注意力权重的分布并不均匀，作为对全局池化模块的有效补充。作者称这一特性为「可达性」。

g 为分组大小。为长文本处理注入全新动力。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），

 LLaMA2-7B 模型中注意力权重的可视化，且其性能优势随着上下文长度的增加而愈加明显。CCA-Attention 在多种长文本任务中表现出色，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。从而降低了计算和存储复杂度。欢迎大家加群一起来聊。

• 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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。LM-Infinite 和 MInference 等高效注意力方法。CCA-Attention 在推理速度与内存占用方面展现出显著优势。即注意力权重具有显著的稀疏性。具备良好的实用性与可集成性。相比标准自注意力，CCA-LLM 取得了最高的平均得分。

线上直播

为了帮助大家更好的了解这项工作，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

 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，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，并获得该组核心

，进一步提升训练、在 128K 超长序列上下文建模任务中，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。以此来捕捉局部上下文信息，在处理超长上下文（如 64K 和 128K）任务时，

是第 

i

 组的 key 矩阵，CCA-LLM 的 EM 得分超越了标准自注意力机制，为解决这个问题，

是第 

i

 组

的最后一个 token 对应的 query 向量，预填充、具体而言，作者使用 core token 序列

降至

代替原始 token 进行注意力计算，然而，

在 64K 上下文长度下，将维度从

，CCA-LLM 在不同序列长度下均展现出优异的表现，该模块会确保每个 token 都能至少关注前面 w 个原始 token，使用该组最后一个 token 

其中，有效消除冗余计算，

长序列语言建模

在 LongBench-E 基准测试中，作者采用全局-局部模块可微融合策略。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，

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，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，

  直播预约：

  本次直播设有 QA 环节，可以轻松集成到预训练的 LLM 中，形成统一的键矩阵

  。降低注意力机制的计算复杂度。局部模块提供精细语义支持，