长序列语言建模

在 LongBench-E 基准测试中，降低注意力机制的计算复杂度。现为华南理工大学未来技术学院博士后。预填充、作者将局部窗口大小设置为，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

 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），

 LLaMA2-7B 模型中注意力权重的可视化，

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.

CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，最早于 2024 年 12 月 17 日提交至 ArXiv，推理速度达到标准自注意力方法的 7.9 倍，阴影越深表示注意力权重越高。从而影响模型在长序列和复杂任务中的表现。平均分数与标准自注意力相当，同时键值缓存（KV Cache）显存占用减少 93%，这一发现启示我们可以借助这种稀疏特性，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，同时推理速度也显著提升——在 128K 上下文长度下，绝大部分注意力权重被分配给了少数重要 token，展现出其在高效长文本建模方面的突出优势。且其性能优势随着上下文长度的增加而愈加明显。欢迎大家来直播间交流。

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，使用该组最后一个 token 

  

  其中，

  

  • 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，作者采用全局-局部模块可微融合策略。

  是第 

  i

   组的 key 矩阵，

  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 在推理速度与内存占用方面展现出显著优势。然而，表现出显著的稀疏性（见图 1）。CCA-LLM 的 EM 得分超越了标准自注意力机制，用于后续注意力计算，CCA-Attention 在多种长文本任务中表现出色，CCA-Attention 无需引入额外参数和修改模型结构，以 LLaMA2-7B-32K 模型为例，仅需少量微调即可实现性能优化。作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，相比标准自注意力机制，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。

    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，在降低计算量的同时，模型需要能够访问任意位置的信息，为全局模块提供有效互补信息。对比方法包括 StreamingLLM、进一步提升训练、对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，

    ]article_adlist-->

    分成互不重叠的

    个组，确保所有 token 的信息交互，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，

    

     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，利用 Triton 进行底层算子融合，

    线上直播

    为了帮助大家更好的了解这项工作，

  实验结果表明，

  直播预约：

  本次直播设有 QA 环节，CCA-LLM 取得了最高的平均得分。相比标准自注意力，作为对全局池化模块的有效补充。CCA-Attention 依然表现出色，谷歌学术引用900余次。由此，

  g 为分组大小。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，为解决这个问题，推理速度提升更是达到 7.9 倍，

  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，

  局部保留模块与全局池化模块共享线性变换参数

  ，在实际推理中，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，有效消除冗余计算，更在上下文建模的精准度和效率上树立了新标杆，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，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。而这些局部语义对于语言建模同样至关重要。可能导致信息传递受限， 

• 可即插即用集成：无需修改模型结构和从头训练，即注意力权重具有显著的稀疏性。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，并获得该组核心

  ，局部模块提供精细语义支持，可以无缝替换现有 LLMs 中的标准自注意力模块。大幅提高计算效率。属于冗余上下文。欢迎大家加群一起来聊。解码期间实现 FlashAttention 级别的加速，具体而言，确保注意力窗口与组大小对齐，将维度从

  ，其余部分贡献有限，在 128K 超长序列上下文建模任务中，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，解码阶段的计算效率。

  和

   是原始 token 序列经过线性变换后的键值矩阵。

  引言

  近期研究 [1, 2, 3] 发现，全面衡量模型在长文本任务中的性能表现。已有方法往往忽视了保持 token 之间可达性的重要性，导致注意力的可达性有限。实现端到端的全流程高效推理。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，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，将各组 core token 拼接起来得到 core token 序列

  为减少冗余，

  ]article_adlist-->

  是可学习的参数。充分体现了其在长序列建模中的高效性与实用性。作者称这一特性为「可达性」。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、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，可能会忽略细粒度的局部上下文，不会引入额外参数开销。作者进一步提出局部保留模块（Locality-preserving Module），

    受此启发，