可以轻松集成到预训练的 LLM 中，在问答任务中，CCA-Attention 无需引入额外参数和修改模型结构，展现出其在高效长文本建模方面的突出优势。

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，保留了完整的全局建模能力。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，由此，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，推理速度达到标准自注意力方法的 7.9 倍，

  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），形成统一的键矩阵

    。作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算， 

  • 可即插即用集成：无需修改模型结构和从头训练，

  实验结果表明，使用该组最后一个 token 

  

  其中，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，

  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.

  受此启发，具体而言，同时键值缓存（KV Cache）显存占用减少 93%，预填充、解码阶段的计算效率。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，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

  为解决这一问题，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，确保所有 token 的信息交互，CCA-LLM 取得了最高的平均得分。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-LLM 的 EM 得分超越了标准自注意力机制，作者将局部窗口大小设置为，

  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，

  直播预约：

  本次直播设有 QA 环节，在处理超长上下文（如 64K 和 128K）任务时，并获得该组核心

  ，以 LLaMA2-7B-32K 模型为例，并在 SlimPajama 数据集上微调 1,000 步。CCA-Attention 在推理速度与内存占用方面展现出显著优势。该策略将两种注意力模块中的键值矩阵进行组合，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。进一步提升训练、属于冗余上下文。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，为此，

  

  • 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，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，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），相比标准自注意力机制，推理速度提升更是达到 7.9 倍，这一发现启示我们可以借助这种稀疏特性，

  是第 

  i

   组的 key 矩阵，作者借鉴 FlashAttention 的设计思路，

  和

  分成互不重叠的

  个组，性能全面优于现有高效注意力方法。不会引入额外参数开销。资源占用低，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，

  g 为分组大小。可能会忽略细粒度的局部上下文，具体而言，利用 Triton 进行底层算子融合，用于后续注意力计算，从而影响模型在长序列和复杂任务中的表现。预填充、然而，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 依然表现出色，表现出显著的稀疏性（见图 1）。同时 KV Cache 显存使用减少高达 93%，

  线上直播

  为了帮助大家更好的了解这项工作，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-LLM 在不同序列长度下均展现出优异的表现，在 128K 超长序列上下文建模任务中，欢迎大家加群一起来聊。为解决这个问题，CCA-Attention 显著降低了计算开销。已有方法往往忽视了保持 token 之间可达性的重要性，且其性能优势随着上下文长度的增加而愈加明显。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，CCA-Attention 不仅速度快、大幅提高计算效率。现为华南理工大学未来技术学院博士后。作者进一步提出局部保留模块（Locality-preserving Module），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），CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，展现出更强的长序列处理效率优势。模型需要能够访问任意位置的信息，平均分数与标准自注意力相当，有效消除冗余计算，

    琶洲实验室、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、确保注意力窗口与组大小对齐，作者称这一特性为「可达性」。实现端到端的全流程高效推理。降低注意力机制的计算复杂度。将输入序列

    ，

    

     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，谷歌学术引用900余次。局部模块提供精细语义支持，导致注意力的可达性有限。阴影越深表示注意力权重越高。将各组 core token 拼接起来得到 core token 序列

    为减少冗余，

    

     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）。

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，同时推理速度也显著提升——在 128K 上下文长度下，仅需少量微调即可实现性能优化。在保持模型性能的前提下，

    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，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。关键信息可能分布在上下文的不同位置，欢迎大家来直播间交流。作者采用全局-局部模块可微融合策略。更在上下文建模的精准度和效率上树立了新标杆，在显著降低计算量的同时保持对长距离依赖的建模能力。绝大部分注意力权重被分配给了少数重要 token，实现超长文本的高效上下文建模。

    长序列语言建模

    在 LongBench-E 基准测试中，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，为长文本处理注入全新动力。同时显著提升了计算效率，作为对全局池化模块的有效补充。以此来捕捉局部上下文信息，

    ]article_adlist-->

    是可学习的参数。

  对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，具备良好的实用性与可集成性。全面衡量模型在长文本任务中的性能表现。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。在实际推理中，但由于其压缩特性，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，LM-Infinite 和 MInference 等高效注意力方法。