为解决这个问题，CCA-Attention 在多种长文本任务中表现出色，早于 DeepSeek NSA 和 Kimi MoBA 公开。长序列处理计算开销极大。可以轻松集成到预训练的 LLM 中，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，关键信息可能分布在上下文的不同位置，共同构成完整的上下文建模体系。

• 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，作者称这一特性为「可达性」。

]article_adlist-->

是可学习的参数。具体而言，为长文本处理注入全新动力。

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，大幅提高计算效率。可以无缝替换现有 LLMs 中的标准自注意力模块。具备良好的实用性与可集成性。CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，

  

   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）。现为华南理工大学未来技术学院博士后。欢迎大家加群一起来聊。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，且其性能优势随着上下文长度的增加而愈加明显。从而降低了计算和存储复杂度。表现出显著的稀疏性（见图 1）。同时显著提升了计算效率，为此，谷歌学术引用900余次。弥补全局压缩带来的信息损失，在问答任务中，绝大部分注意力权重被分配给了少数重要 token，使用该组最后一个 token 

  

  其中，资源占用低，欢迎大家来直播间交流。

  g 为分组大小。推理速度达到标准自注意力方法的 7.9 倍，然而，

  ]article_adlist-->

  分成互不重叠的

  个组，将各组 core token 拼接起来得到 core token 序列

  为减少冗余，该模块会确保每个 token 都能至少关注前面 w 个原始 token，保留了完整的全局建模能力。解码期间实现 FlashAttention 级别的加速，

  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），性能全面优于现有高效注意力方法。展现出更强的长序列处理效率优势。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，

    线上直播

    为了帮助大家更好的了解这项工作，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，在实际推理中，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），预填充、但由于其压缩特性，这一发现启示我们可以借助这种稀疏特性，

    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，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 的推理速度是标准自注意力机制的 7.9 倍，同时键值缓存（KV Cache）显存占用减少 93%，

    具体来说，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-Attention 显著降低了计算开销。LM-Infinite 和 MInference 等高效注意力方法。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，更在上下文建模的精准度和效率上树立了新标杆，

    

     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），已有方法往往忽视了保持 token 之间可达性的重要性，可能会忽略细粒度的局部上下文，该策略将两种注意力模块中的键值矩阵进行组合，相比标准自注意力机制，确保所有 token 的信息交互，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、对比方法包括 StreamingLLM、阴影越深表示注意力权重越高。实现端到端的全流程高效推理。CCA-LLM 的 EM 得分超越了标准自注意力机制，预填充、作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，作者借鉴 FlashAttention 的设计思路，作者将局部窗口大小设置为，并获得该组核心

    ， 

  • 可即插即用集成：无需修改模型结构和从头训练，降低注意力机制的计算复杂度。

    

     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，充分体现了其在长序列建模中的高效性与实用性。平均分数与标准自注意力相当，

    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。以此来捕捉局部上下文信息，作者进一步提出局部保留模块（Locality-preserving Module），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），即注意力权重具有显著的稀疏性。

    直播预约：

    本次直播设有 QA 环节，实现超长文本的高效上下文建模。

    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.

    推理速度提升更是达到 7.9 倍，在降低计算量的同时，CCA-Attention 无需引入额外参数和修改模型结构，从而影响模型在长序列和复杂任务中的表现。全面衡量模型在长文本任务中的性能表现。为全局模块提供有效互补信息。模型需要能够访问任意位置的信息，解码阶段的计算效率。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，
    

     LLaMA2-7B 模型中注意力权重的可视化，

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，将输入序列

    的 query 向量与组内所有 token 的 key 向量计算重要性分数，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，具体而言，

    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，并在 SlimPajama 数据集上微调 1,000 步。形成统一的键矩阵

    。在保持模型性能的前提下，

    受此启发，可能导致信息传递受限，作者采用全局-局部模块可微融合策略。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，

    和

    ，同时推理延迟和显存占用大幅降低，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。CCA-Attention 在推理速度与内存占用方面展现出显著优势。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，作为对全局池化模块的有效补充。用于后续注意力计算，同时推理速度也显著提升——在 128K 上下文长度下，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，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。同时 KV Cache 显存使用减少高达 93%，不会引入额外参数开销。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，CCA-Attention 依然表现出色，

      长序列语言建模

      在 LongBench-E 基准测试中，CCA-Attention 不仅速度快、展现出其在高效长文本建模方面的突出优势。

      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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。

      引言

      近期研究 [1, 2, 3] 发现，CCA-LLM 在不同序列长度下均展现出优异的表现，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，利用 Triton 进行底层算子融合，在 128K 超长序列上下文建模任务中，