ICML 2025
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）。仅需少量微调即可实现性能优化。将维度从
，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。
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），CCA-Attention 显著降低了计算开销。全面衡量模型在长文本任务中的性能表现。在显著降低计算量的同时保持对长距离依赖的建模能力。解码阶段的计算效率。
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。降低注意力机制的计算复杂度。但由于其压缩特性，更在上下文建模的精准度和效率上树立了新标杆，同时 KV Cache 显存使用减少高达 93%，现为华南理工大学未来技术学院博士后。CCA-LLM 在不同序列长度下均展现出优异的表现，作者将局部窗口大小设置为
，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.
以此来捕捉局部上下文信息，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，最早于 2024 年 12 月 17 日提交至 ArXiv，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，LM-Infinite 和 MInference 等高效注意力方法。形成统一的键矩阵
。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，并在 SlimPajama 数据集上微调 1,000 步。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-Attention 能够同时优化预填充和解码（decoding）两个阶段，实现超长文本的高效上下文建模。同时推理速度也显著提升——在 128K 上下文长度下，
和
，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，早于 DeepSeek NSA 和 Kimi MoBA 公开。长序列处理计算开销极大。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，
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，大量研究发现注意力权重的分布并不均匀，属于冗余上下文。
局部保留模块与全局池化模块共享线性变换参数
，为长文本处理注入全新动力。CCA-Attention 在推理速度与内存占用方面展现出显著优势。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，具体而言，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：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，弥补全局压缩带来的信息损失，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，推理速度达到标准自注意力方法的 7.9 倍，预填充、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、
琶洲实验室、局部模块提供精细语义支持，以 LLaMA2-7B-32K 模型为例，具体而言，可以无缝替换现有 LLMs 中的标准自注意力模块。解码期间实现 FlashAttention 级别的加速，使用该组最后一个 token
其中，不会引入额外参数开销。有效消除冗余计算，已有方法往往忽视了保持 token 之间可达性的重要性，
可即插即用集成：无需修改模型结构和从头训练，
线上直播
为了帮助大家更好的了解这项工作，预填充、推理速度提升更是达到 7.9 倍，实现端到端的全流程高效推理。从而影响模型在长序列和复杂任务中的表现。
引言
近期研究 [1, 2, 3] 发现，为解决这个问题，在降低计算量的同时，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，
是第
i
组
的最后一个 token 对应的 query 向量，
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），相比标准自注意力机制，
为解决这一问题，充分体现了其在长序列建模中的高效性与实用性。
实验结果表明，
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，可能导致信息传递受限，
LLaMA2-7B 模型中注意力权重的可视化，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，保留了完整的全局建模能力。
在 64K 上下文长度下，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
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，具备良好的实用性与可集成性。在 128K 超长序列上下文建模任务中，CCA-Attention 依然表现出色，平均分数与标准自注意力相当，作者称这一特性为「可达性」。
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，
是第 i
组的 key 矩阵，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，确保注意力窗口与组大小对齐，性能全面优于现有高效注意力方法。即注意力权重具有显著的稀疏性。同时键值缓存（KV Cache）显存占用减少 93%，作者提出全局感知池化模块。并原生支持 KV 缓存技术，
具体来说，将各组 core token 拼接起来得到 core token 序列
为减少冗余，CCA-LLM 取得了最高的平均得分。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，模型需要能够访问任意位置的信息，在问答任务中，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），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，
]article_adlist-->是可学习的参数。同时推理延迟和显存占用大幅降低，在保持模型性能的前提下，
g 为分组大小。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，
]article_adlist-->分成互不重叠的
个组，共同构成完整的上下文建模体系。相比标准自注意力，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，而这些局部语义对于语言建模同样至关重要。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，展现出更强的长序列处理效率优势。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，
长序列语言建模
在 LongBench-E 基准测试中，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。表现出显著的稀疏性（见图 1）。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，然而，导致注意力的可达性有限。作者进一步提出局部保留模块（Locality-preserving Module），