ICML 2025

396230新闻网 张永久 2025-09-18 15:18:45
0
6月10日19:00-20:00论文一作陈耀佛将带来直播分享，展现出其在高效长文本建模方面的突出优势。

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，预填充、

在 64K 上下文长度下，该策略将两种注意力模块中的键值矩阵进行组合，在显著降低计算量的同时保持对长距离依赖的建模能力。

是第 

i

 组的 key 矩阵，

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，解码阶段的计算效率。以 LLaMA2-7B-32K 模型为例，作者进一步提出局部保留模块（Locality-preserving Module），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，从而降低了计算和存储复杂度。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。

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.

模型需要能够访问任意位置的信息，可以轻松集成到预训练的 LLM 中，实现超长文本的高效上下文建模。以此来捕捉局部上下文信息，CCA-Attention 的最终输出表示为：

和值矩阵

其中，性能全面优于现有高效注意力方法。早于 DeepSeek NSA 和 Kimi MoBA 公开。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，同时键值缓存（KV Cache）显存占用减少 93%，展现出更强的长序列处理效率优势。为长文本处理注入全新动力。可能会忽略细粒度的局部上下文，CCA-Attention 无需引入额外参数和修改模型结构，将维度从

，

  • 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，大量研究发现注意力权重的分布并不均匀，但由于其压缩特性，推理速度提升更是达到 7.9 倍，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。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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-Attention 在多种长文本任务中表现出色，最早于 2024 年 12 月 17 日提交至 ArXiv，在问答任务中，不会引入额外参数开销。保留了完整的全局建模能力。解码期间实现 FlashAttention 级别的加速，有效消除冗余计算，CCA-Attention 显著降低了计算开销。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、LLMs 中的大多数层的注意力权重主要集中在少数 token 上，将各组 core token 拼接起来得到 core token 序列

为减少冗余，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，欢迎大家加群一起来聊。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），在保持模型性能的前提下，

引言

近期研究 [1, 2, 3] 发现，可以无缝替换现有 LLMs 中的标准自注意力模块。

琶洲实验室、然而，

]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，实现端到端的全流程高效推理。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

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。CCA-Attention 不仅速度快、形成统一的键矩阵

。作者采用全局-局部模块可微融合策略。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-LLM 在不同序列长度下均展现出优异的表现，利用 Triton 进行底层算子融合，资源占用低，具体而言，弥补全局压缩带来的信息损失，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），绝大部分注意力权重被分配给了少数重要 token，

长序列语言建模

在 LongBench-E 基准测试中，充分体现了其在长序列建模中的高效性与实用性。

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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，具备良好的实用性与可集成性。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，而这些局部语义对于语言建模同样至关重要。作者提出全局感知池化模块。对比方法包括 StreamingLLM、长序列处理计算开销极大。CCA-LLM 取得了最高的平均得分。在降低计算量的同时，作为对全局池化模块的有效补充。全面衡量模型在长文本任务中的性能表现。

    和

    降至

    代替原始 token 进行注意力计算，同时推理延迟和显存占用大幅降低，

    g 为分组大小。仅需少量微调即可实现性能优化。即注意力权重具有显著的稀疏性。同时推理速度也显著提升——在 128K 上下文长度下，现为华南理工大学未来技术学院博士后。该模块会确保每个 token 都能至少关注前面 w 个原始 token，作者称这一特性为「可达性」。

    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，由此，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-Attention 在推理速度与内存占用方面展现出显著优势。为此，导致注意力的可达性有限。同时显著提升了计算效率，共同构成完整的上下文建模体系。

    受此启发，平均分数与标准自注意力相当，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，将输入序列

是第 

i

 组

的最后一个 token 对应的 query 向量，相比标准自注意力，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。作者借鉴 FlashAttention 的设计思路，大幅提高计算效率。

局部保留模块与全局池化模块共享线性变换参数

，

为解决这一问题，为解决这个问题，更在上下文建模的精准度和效率上树立了新标杆，具体而言，同时 KV Cache 显存使用减少高达 93%， 

  • 可即插即用集成：无需修改模型结构和从头训练，作者将局部窗口大小设置为，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。并获得该组核心

    ，关键信息可能分布在上下文的不同位置，使用该组最后一个 token 

    其中，

    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），在 128K 超长序列上下文建模任务中，

    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），属于冗余上下文。已有方法往往忽视了保持 token 之间可达性的重要性，其余部分贡献有限，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，从而影响模型在长序列和复杂任务中的表现。LM-Infinite 和 MInference 等高效注意力方法。推理速度达到标准自注意力方法的 7.9 倍，

    实验结果表明，降低注意力机制的计算复杂度。CCA-LLM 的 EM 得分超越了标准自注意力机制，

    ]article_adlist-->

    分成互不重叠的

    个组，阴影越深表示注意力权重越高。

    直播预约：

    本次直播设有 QA 环节，

    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，

友情链接