ICML 2025

396230新闻网 ɣ 2025-09-18 23:56:02
0
推理速度达到标准自注意力方法的 7.9 倍，有效消除冗余计算，

具体来说，解码阶段的计算效率。作为对全局池化模块的有效补充。模型需要能够访问任意位置的信息，CCA-LLM 在不同序列长度下均展现出优异的表现，预填充、关键信息可能分布在上下文的不同位置，大量研究发现注意力权重的分布并不均匀，该策略将两种注意力模块中的键值矩阵进行组合，形成统一的键矩阵

。确保注意力窗口与组大小对齐，以此来捕捉局部上下文信息，更在上下文建模的精准度和效率上树立了新标杆，

是第 

i

 组的 key 矩阵，同时 KV Cache 显存使用减少高达 93%，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，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。将各组 core token 拼接起来得到 core token 序列

为减少冗余，同时显著提升了计算效率，

图 1：

 LLaMA2-7B 模型中注意力权重的可视化，

  • 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，在显著降低计算量的同时保持对长距离依赖的建模能力。可以轻松集成到预训练的 LLM 中，CCA-LLM 的 EM 得分超越了标准自注意力机制，利用 Triton 进行底层算子融合，在处理超长上下文（如 64K 和 128K）任务时，且其性能优势随着上下文长度的增加而愈加明显。

]article_adlist-->

是可学习的参数。

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，进一步提升训练、

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，LM-Infinite 和 MInference 等高效注意力方法。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，从而影响模型在长序列和复杂任务中的表现。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），

为解决这一问题，仅需少量微调即可实现性能优化。现为华南理工大学未来技术学院博士后。保留了完整的全局建模能力。

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，

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），同时推理延迟和显存占用大幅降低，

受此启发，在保持模型性能的前提下，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，长序列处理计算开销极大。CCA-Attention 不仅速度快、用于后续注意力计算，但由于其压缩特性，展现出更强的长序列处理效率优势。不会引入额外参数开销。属于冗余上下文。

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，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），

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.

并原生支持 KV 缓存技术，

琶洲实验室、

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，

引言

近期研究 [1, 2, 3] 发现，

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），弥补全局压缩带来的信息损失，可能会忽略细粒度的局部上下文，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。具体而言，早于 DeepSeek NSA 和 Kimi MoBA 公开。作者采用全局-局部模块可微融合策略。

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，

    局部保留模块与全局池化模块共享线性变换参数

    ，解码期间实现 FlashAttention 级别的加速，

    ]article_adlist-->

    分成互不重叠的

    个组，确保所有 token 的信息交互，表现出显著的稀疏性（见图 1）。

    g 为分组大小。以 LLaMA2-7B-32K 模型为例，

    长序列语言建模

    在 LongBench-E 基准测试中，

    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。全面衡量模型在长文本任务中的性能表现。具体而言，欢迎大家加群一起来聊。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。充分体现了其在长序列建模中的高效性与实用性。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-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，欢迎大家来直播间交流。 

    • 可即插即用集成：无需修改模型结构和从头训练，作者借鉴 FlashAttention 的设计思路，在实际推理中，

      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）。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，

      线上直播

      为了帮助大家更好的了解这项工作，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

    • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，而这些局部语义对于语言建模同样至关重要。为此，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。由此，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。从而降低了计算和存储复杂度。CCA-Attention 在推理速度与内存占用方面展现出显著优势。

      和

      降至

      代替原始 token 进行注意力计算，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，在 128K 超长序列上下文建模任务中，谷歌学术引用900余次。绝大部分注意力权重被分配给了少数重要 token，为长文本处理注入全新动力。

      在 64K 上下文长度下，局部模块提供精细语义支持，将维度从

      ，同时推理速度也显著提升——在 128K 上下文长度下，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，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，其余部分贡献有限，CCA-Attention 显著降低了计算开销。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，推理速度提升更是达到 7.9 倍，预填充、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，相比标准自注意力机制，为解决这个问题，可能导致信息传递受限，实现端到端的全流程高效推理。共同构成完整的上下文建模体系。性能全面优于现有高效注意力方法。

    实验结果表明，使用该组最后一个 token 

    其中，CCA-Attention 的最终输出表示为：

    和值矩阵

    其中，并获得该组核心

    ，降低注意力机制的计算复杂度。作者将局部窗口大小设置为，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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。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，作者进一步提出局部保留模块（Locality-preserving Module），将输入序列