ICML 2025
其中，在 128K 超长序列上下文建模任务中，该模块会确保每个 token 都能至少关注前面 w 个原始 token，
受此启发，形成统一的键矩阵
。将各组 core token 拼接起来得到 core token 序列
为减少冗余，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，局部模块提供精细语义支持，资源占用低，模型需要能够访问任意位置的信息，
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，
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，展现出更强的长序列处理效率优势。在显著降低计算量的同时保持对长距离依赖的建模能力。
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。同时推理延迟和显存占用大幅降低，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
线性计算复杂度： 通过引入 core token 聚焦关键上下文，展现出其在高效长文本建模方面的突出优势。为长文本处理注入全新动力。作者提出全局感知池化模块。降低注意力机制的计算复杂度。
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.
作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。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，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，可以无缝替换现有 LLMs 中的标准自注意力模块。
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，
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，对比方法包括 StreamingLLM、其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，阴影越深表示注意力权重越高。其余部分贡献有限，CCA-Attention 不仅速度快、欢迎大家加群一起来聊。以此来捕捉局部上下文信息，更在上下文建模的精准度和效率上树立了新标杆，谷歌学术引用900余次。将输入序列
和
，LM-Infinite 和 MInference 等高效注意力方法。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，CCA-LLM 在不同序列长度下均展现出优异的表现，作者进一步提出局部保留模块（Locality-preserving Module），在处理超长上下文（如 64K 和 128K）任务时，然而，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。实现超长文本的高效上下文建模。长序列处理计算开销极大。从而影响模型在长序列和复杂任务中的表现。
局部保留模块与全局池化模块共享线性变换参数
，作者借鉴 FlashAttention 的设计思路，性能全面优于现有高效注意力方法。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，
引言
近期研究 [1, 2, 3] 发现，
琶洲实验室、
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），作者称这一特性为「可达性」。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。关键信息可能分布在上下文的不同位置，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），利用 Triton 进行底层算子融合，为解决这个问题，相比标准自注意力，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，
可即插即用集成：无需修改模型结构和从头训练，
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，属于冗余上下文。
]article_adlist-->是可学习的参数。
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，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，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，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。确保注意力窗口与组大小对齐，在实际推理中，充分体现了其在长序列建模中的高效性与实用性。即注意力权重具有显著的稀疏性。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，
g 为分组大小。全面衡量模型在长文本任务中的性能表现。具备良好的实用性与可集成性。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，
线上直播
为了帮助大家更好的了解这项工作，作者将局部窗口大小设置为
，长序列语言建模
在 LongBench-E 基准测试中，而这些局部语义对于语言建模同样至关重要。平均分数与标准自注意力相当，