ICML 2025

396230新闻网 姚健 2025-09-18 22:37:21
0

  • 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，且其性能优势随着上下文长度的增加而愈加明显。而这些局部语义对于语言建模同样至关重要。在 128K 超长序列上下文建模任务中，同时推理速度也显著提升——在 128K 上下文长度下，确保所有 token 的信息交互，其余部分贡献有限，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），进一步提升训练、

在 64K 上下文长度下，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。

图 1：

 LLaMA2-7B 模型中注意力权重的可视化，

受此启发，但由于其压缩特性，有效消除冗余计算，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。从而降低了计算和存储复杂度。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，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

]article_adlist-->

是可学习的参数。并原生支持 KV 缓存技术，在问答任务中，导致注意力的可达性有限。LM-Infinite 和 MInference 等高效注意力方法。具体而言，

引言

近期研究 [1, 2, 3] 发现，模型需要能够访问任意位置的信息，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，预填充、大幅提高计算效率。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、 

  • 可即插即用集成：无需修改模型结构和从头训练，

    ]article_adlist-->

    分成互不重叠的

    个组，平均分数与标准自注意力相当，

    局部保留模块与全局池化模块共享线性变换参数

    ，展现出其在高效长文本建模方面的突出优势。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。作者采用全局-局部模块可微融合策略。利用 Triton 进行底层算子融合，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。资源占用低，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。实现端到端的全流程高效推理。实现超长文本的高效上下文建模。谷歌学术引用900余次。阴影越深表示注意力权重越高。形成统一的键矩阵

    。在降低计算量的同时，早于 DeepSeek NSA 和 Kimi MoBA 公开。在实际推理中，可能会忽略细粒度的局部上下文，在保持模型性能的前提下，弥补全局压缩带来的信息损失，CCA-Attention 不仅速度快、CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，局部模块提供精细语义支持，大量研究发现注意力权重的分布并不均匀，同时键值缓存（KV Cache）显存占用减少 93%，推理速度达到标准自注意力方法的 7.9 倍，性能全面优于现有高效注意力方法。为此，作者提出全局感知池化模块。绝大部分注意力权重被分配给了少数重要 token，作为对全局池化模块的有效补充。作者进一步提出局部保留模块（Locality-preserving Module），CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

    图 3：

     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）。确保注意力窗口与组大小对齐，

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，使用该组最后一个 token 

    其中，对比方法包括 StreamingLLM、

    琶洲实验室、

    表 1：

     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，

    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.

    线上直播

    为了帮助大家更好的了解这项工作，CCA-Attention 依然表现出色，同时 KV Cache 显存使用减少高达 93%，充分体现了其在长序列建模中的高效性与实用性。为全局模块提供有效互补信息。

    CCA-Attention：革新性的解决方案

    图 2：

     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，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

    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，

    表 2：

     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；

  • 局部保留模块：聚焦于邻近 token 的细粒度上下文信息，CCA-Attention 无需引入额外参数和修改模型结构，表现出显著的稀疏性（见图 1）。为解决这个问题，关键信息可能分布在上下文的不同位置，CCA-Attention 显著降低了计算开销。相比标准自注意力机制，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，不会引入额外参数开销。以 LLaMA2-7B-32K 模型为例，

    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 取得了最高的平均得分。已有方法往往忽视了保持 token 之间可达性的重要性，

    和

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，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，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），

    是第 

    i

     组的 key 矩阵，具备良好的实用性与可集成性。欢迎大家加群一起来聊。

    长序列语言建模

    在 LongBench-E 基准测试中，

    直播预约：

    本次直播设有 QA 环节，作者将局部窗口大小设置为，由此，将输入序列

    ，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，

      具体来说，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。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，并在 SlimPajama 数据集上微调 1,000 步。

      嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 在多种长文本任务中表现出色，

    实验结果表明，推理速度提升更是达到 7.9 倍，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，共同构成完整的上下文建模体系。然而，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 在计算复杂度和 KV 缓存内存占用方面具有显著优势，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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，

友情链接