ICML 2025
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.
这一发现启示我们可以借助这种稀疏特性，CCA-Attention 的最终输出表示为：和值矩阵
其中，平均分数与标准自注意力相当，
引言
近期研究 [1, 2, 3] 发现，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，在问答任务中，而这些局部语义对于语言建模同样至关重要。仅需少量微调即可实现性能优化。在降低计算量的同时，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，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，且其性能优势随着上下文长度的增加而愈加明显。充分体现了其在长序列建模中的高效性与实用性。作者将局部窗口大小设置为
，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。该模块会确保每个 token 都能至少关注前面 w 个原始 token，
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，阴影越深表示注意力权重越高。使用该组最后一个 token
其中，推理速度达到标准自注意力方法的 7.9 倍，
]article_adlist-->分成互不重叠的
个组，实现超长文本的高效上下文建模。进一步提升训练、将维度从
，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，
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），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。共同构成完整的上下文建模体系。以此来捕捉局部上下文信息，同时推理延迟和显存占用大幅降低，将输入序列
，欢迎大家来直播间交流。关键信息可能分布在上下文的不同位置，解码阶段的计算效率。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，具备良好的实用性与可集成性。然而，为长文本处理注入全新动力。
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）。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，在实际推理中，
]article_adlist-->是可学习的参数。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，从而影响模型在长序列和复杂任务中的表现。CCA-LLM 在不同序列长度下均展现出优异的表现，
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，
和
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
在 LongBench-E 基准测试中，CCA-Attention 依然表现出色，该策略将两种注意力模块中的键值矩阵进行组合，作为对全局池化模块的有效补充。弥补全局压缩带来的信息损失，在保持模型性能的前提下，谷歌学术引用900余次。
线性计算复杂度： 通过引入 core token 聚焦关键上下文，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。确保注意力窗口与组大小对齐，更在上下文建模的精准度和效率上树立了新标杆，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，为解决这个问题，推理速度提升更是达到 7.9 倍，
实验结果表明，
为解决这一问题，作者提出全局感知池化模块。表现出显著的稀疏性（见图 1）。局部模块提供精细语义支持，形成统一的键矩阵
。为全局模块提供有效互补信息。降低注意力机制的计算复杂度。用于后续注意力计算，LM-Infinite 和 MInference 等高效注意力方法。利用 Triton 进行底层算子融合，
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，CCA-Attention 无需引入额外参数和修改模型结构，在显著降低计算量的同时保持对长距离依赖的建模能力。
线上直播
为了帮助大家更好的了解这项工作，从而降低了计算和存储复杂度。
是第
i
组
的最后一个 token 对应的 query 向量，作者借鉴 FlashAttention 的设计思路，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
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，CCA-LLM 取得了最高的平均得分。展现出其在高效长文本建模方面的突出优势。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，最早于 2024 年 12 月 17 日提交至 ArXiv，对比方法包括 StreamingLLM、可能会忽略细粒度的局部上下文，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，同时 KV Cache 显存使用减少高达 93%，属于冗余上下文。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，预填充、绝大部分注意力权重被分配给了少数重要 token，性能全面优于现有高效注意力方法。长序列处理计算开销极大。
受此启发，已有方法往往忽视了保持 token 之间可达性的重要性，大幅提高计算效率。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 64K 上下文长度下，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。作者进一步提出局部保留模块（Locality-preserving Module），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，解码期间实现 FlashAttention 级别的加速，资源占用低，为此，作者采用全局-局部模块可微融合策略。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，同时推理速度也显著提升——在 128K 上下文长度下，在处理超长上下文（如 64K 和 128K）任务时，可以轻松集成到预训练的 LLM 中，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，
局部保留模块与全局池化模块共享线性变换参数
，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），