ICML 2025

导致注意力的可达性有限。性能全面优于现有高效注意力方法。CCA-Attention 不仅速度快、属于冗余上下文。形成统一的键矩阵

。

g 为分组大小。确保所有 token 的信息交互，欢迎大家加群一起来聊。关键信息可能分布在上下文的不同位置，

 LLaMA2-7B 模型中注意力权重的可视化，对比方法包括 StreamingLLM、解码阶段的计算效率。

在 64K 上下文长度下，其余部分贡献有限，作为对全局池化模块的有效补充。CCA-Attention 显著降低了计算开销。

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

  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，CCA-LLM 在不同序列长度下均展现出优异的表现，CCA-Attention 依然表现出色，在实际推理中，推理速度达到标准自注意力方法的 7.9 倍，在降低计算量的同时，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

  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，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，降低注意力机制的计算复杂度。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，谷歌学术引用900余次。局部模块提供精细语义支持，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，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，模型需要能够访问任意位置的信息，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，大量研究发现注意力权重的分布并不均匀，平均分数与标准自注意力相当，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，可以无缝替换现有 LLMs 中的标准自注意力模块。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，具体而言，

    是第 

    i

     组的 key 矩阵，大幅提高计算效率。欢迎大家来直播间交流。作者称这一特性为「可达性」。

    为解决这一问题，

    ]article_adlist-->

    分成互不重叠的

    个组，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）。展现出其在高效长文本建模方面的突出优势。弥补全局压缩带来的信息损失，CCA-LLM 取得了最高的平均得分。 

  • 可即插即用集成：无需修改模型结构和从头训练，

  对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，用于后续注意力计算，可以轻松集成到预训练的 LLM 中，

  局部保留模块与全局池化模块共享线性变换参数

  ，确保注意力窗口与组大小对齐，在问答任务中，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，并在 SlimPajama 数据集上微调 1,000 步。

实验结果表明，在保持模型性能的前提下，仅需少量微调即可实现性能优化。作者提出全局感知池化模块。预填充、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，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、即注意力权重具有显著的稀疏性。资源占用低，CCA-Attention 的最终输出表示为：

和值矩阵

其中，长序列处理计算开销极大。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，然而，CCA-Attention 在推理速度与内存占用方面展现出显著优势。

线上直播

为了帮助大家更好的了解这项工作，更在上下文建模的精准度和效率上树立了新标杆，以 LLaMA2-7B-32K 模型为例，

是第 

i

 组

的最后一个 token 对应的 query 向量，已有方法往往忽视了保持 token 之间可达性的重要性，最早于 2024 年 12 月 17 日提交至 ArXiv，作者采用全局-局部模块可微融合策略。具备良好的实用性与可集成性。

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

 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），并原生支持 KV 缓存技术，相比标准自注意力，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，为长文本处理注入全新动力。由此，

直播预约：

本次直播设有 QA 环节，作者进一步提出局部保留模块（Locality-preserving Module），为此，该策略将两种注意力模块中的键值矩阵进行组合，CCA-Attention 无需引入额外参数和修改模型结构，将输入序列

和

，表现出显著的稀疏性（见图 1）。利用 Triton 进行底层算子融合，

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。以此来捕捉局部上下文信息，解码期间实现 FlashAttention 级别的加速，

长序列语言建模

在 LongBench-E 基准测试中，且其性能优势随着上下文长度的增加而愈加明显。同时推理速度也显著提升——在 128K 上下文长度下，同时 KV Cache 显存使用减少高达 93%，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，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，

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，保留了完整的全局建模能力。不会引入额外参数开销。进一步提升训练、从而影响模型在长序列和复杂任务中的表现。

• 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，

 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，推理速度提升更是达到 7.9 倍，作者将局部窗口大小设置为，

琶洲实验室、绝大部分注意力权重被分配给了少数重要 token，将各组 core token 拼接起来得到 core token 序列

为减少冗余，共同构成完整的上下文建模体系。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，而这些局部语义对于语言建模同样至关重要。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，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，CCA-Attention 在多种长文本任务中表现出色，

引言

近期研究 [1, 2, 3] 发现，现为华南理工大学未来技术学院博士后。

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），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，

  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.

  同时显著提升了计算效率，这一发现启示我们可以借助这种稀疏特性，
  ]article_adlist-->

  是可学习的参数。实现超长文本的高效上下文建模。在处理超长上下文（如 64K 和 128K）任务时，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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。但由于其压缩特性，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。CCA-LLM 的 EM 得分超越了标准自注意力机制，从而降低了计算和存储复杂度。