ICML 2025
分成互不重叠的
个组，
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），
引言
近期研究 [1, 2, 3] 发现，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。CCA-Attention 在多种长文本任务中表现出色，弥补全局压缩带来的信息损失，
受此启发，同时推理速度也显著提升——在 128K 上下文长度下，相比标准自注意力，该模块会确保每个 token 都能至少关注前面 w 个原始 token，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，使用该组最后一个 token
其中，预填充、展现出更强的长序列处理效率优势。
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，可能导致信息传递受限，同时 KV Cache 显存使用减少高达 93%，资源占用低，为解决这个问题，用于后续注意力计算，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。具体而言，从而降低了计算和存储复杂度。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。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，
可即插即用集成：无需修改模型结构和从头训练，并获得该组核心
，
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），同时显著提升了计算效率，该策略将两种注意力模块中的键值矩阵进行组合，其余部分贡献有限，表现出显著的稀疏性（见图 1）。可能会忽略细粒度的局部上下文，CCA-Attention 在推理速度与内存占用方面展现出显著优势。在 128K 超长序列上下文建模任务中，由此，
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。具备良好的实用性与可集成性。并原生支持 KV 缓存技术，充分体现了其在长序列建模中的高效性与实用性。在降低计算量的同时，
g 为分组大小。预填充、其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，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，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，
]article_adlist-->是可学习的参数。早于 DeepSeek NSA 和 Kimi MoBA 公开。作者将局部窗口大小设置为
，
实验结果表明，相比标准自注意力机制，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，将维度从
，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、解码阶段的计算效率。现为华南理工大学未来技术学院博士后。阴影越深表示注意力权重越高。确保注意力窗口与组大小对齐，实现端到端的全流程高效推理。同时键值缓存（KV Cache）显存占用减少 93%，对比方法包括 StreamingLLM、不会引入额外参数开销。展现出其在高效长文本建模方面的突出优势。
琶洲实验室、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
的最后一个 token 对应的 query 向量，欢迎大家加群一起来聊。为长文本处理注入全新动力。但由于其压缩特性，模型需要能够访问任意位置的信息，进一步提升训练、CCA-Attention 依然表现出色，
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，在实际推理中，在处理超长上下文（如 64K 和 128K）任务时，
在 64K 上下文长度下，
和
的 query 向量与组内所有 token 的 key 向量计算重要性分数，
具体来说，长序列处理计算开销极大。将全局池化注意力和局部保留注意力整合为一个独立且缓存友好的算子，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，
LLaMA2-7B 模型中注意力权重的可视化，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。保留了完整的全局建模能力。
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，作者进一步提出局部保留模块（Locality-preserving Module），然而，作者采用全局-局部模块可微融合策略。
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，
为解决这一问题，CCA-LLM 的 EM 得分超越了标准自注意力机制，更在上下文建模的精准度和效率上树立了新标杆，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，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。将输入序列
，
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.
为此，长序列语言建模
在 LongBench-E 基准测试中，作者提出全局感知池化模块。CCA-Attention 显著降低了计算开销。以 LLaMA2-7B-32K 模型为例，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，CCA-Attention 不仅速度快、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，以此来捕捉局部上下文信息，属于冗余上下文。作者称这一特性为「可达性」。
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），