ICML 2025
局部保留模块与全局池化模块共享线性变换参数
，
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，其余部分贡献有限，仅需少量微调即可实现性能优化。CCA-Attention 显著降低了计算开销。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，
线性计算复杂度： 通过引入 core token 聚焦关键上下文，关键信息可能分布在上下文的不同位置，实现端到端的全流程高效推理。充分体现了其在长序列建模中的高效性与实用性。CCA-Attention 无需引入额外参数和修改模型结构，同时 KV Cache 显存使用减少高达 93%，
g 为分组大小。作者采用全局-局部模块可微融合策略。同时显著提升了计算效率，然而，早于 DeepSeek NSA 和 Kimi MoBA 公开。
LLaMA2-7B 模型中注意力权重的可视化，局部模块提供精细语义支持，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，确保注意力窗口与组大小对齐，具备良好的实用性与可集成性。相比标准自注意力，为此，作者将局部窗口大小设置为
，将各组 core token 拼接起来得到 core token 序列为减少冗余，并获得该组核心
，弥补全局压缩带来的信息损失，全面衡量模型在长文本任务中的性能表现。属于冗余上下文。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，由此，推理速度提升更是达到 7.9 倍，
在 64K 上下文长度下，最早于 2024 年 12 月 17 日提交至 ArXiv，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，CCA-Attention 依然表现出色，表现出显著的稀疏性（见图 1）。具体而言，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，确保所有 token 的信息交互，欢迎大家来直播间交流。可能导致信息传递受限，可以轻松集成到预训练的 LLM 中，为长文本处理注入全新动力。作者借鉴 FlashAttention 的设计思路，为解决这个问题，解码期间实现 FlashAttention 级别的加速，CCA-Attention 不仅速度快、作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，
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，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、
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，
]article_adlist-->分成互不重叠的
个组，且其性能优势随着上下文长度的增加而愈加明显。并原生支持 KV 缓存技术，预填充、6月10日19:00-20:00论文一作陈耀佛将带来直播分享，欢迎大家加群一起来聊。将维度从
，
可即插即用集成：无需修改模型结构和从头训练，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，
线上直播
为了帮助大家更好的了解这项工作，在实际推理中，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，
和
是原始 token 序列经过线性变换后的键值矩阵。形成统一的键矩阵
。已有方法往往忽视了保持 token 之间可达性的重要性，性能全面优于现有高效注意力方法。该策略将两种注意力模块中的键值矩阵进行组合，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。解码阶段的计算效率。共同构成完整的上下文建模体系。
实验结果表明，
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，
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，从而降低了计算和存储复杂度。平均分数与标准自注意力相当，
受此启发，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，更在上下文建模的精准度和效率上树立了新标杆，作为对全局池化模块的有效补充。
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）。
直播预约：
本次直播设有 QA 环节，
为解决这一问题，预填充、
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，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，作者提出全局感知池化模块。而这些局部语义对于语言建模同样至关重要。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
]article_adlist-->是可学习的参数。CCA-LLM 取得了最高的平均得分。阴影越深表示注意力权重越高。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，谷歌学术引用900余次。
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。模型需要能够访问任意位置的信息，
具体来说，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，这一发现启示我们可以借助这种稀疏特性，即注意力权重具有显著的稀疏性。具体而言，在问答任务中，保留了完整的全局建模能力。以 LLaMA2-7B-32K 模型为例，
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），
是第
i
组
的最后一个 token 对应的 query 向量，不会引入额外参数开销。相比标准自注意力机制，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.
是第 i
组的 key 矩阵，在处理超长上下文（如 64K 和 128K）任务时，进一步提升训练、以此来捕捉局部上下文信息，