ICML 2025

推理速度提升更是达到 7.9 倍，在保持模型性能的前提下，最早于 2024 年 12 月 17 日提交至 ArXiv，同时推理延迟和显存占用大幅降低，

在 64K 上下文长度下，全面衡量模型在长文本任务中的性能表现。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，

长序列语言建模

在 LongBench-E 基准测试中，将维度从

，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。由此，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。展现出更强的长序列处理效率优势。

局部保留模块与全局池化模块共享线性变换参数

，可以轻松集成到预训练的 LLM 中，形成统一的键矩阵

。在实际推理中，将各组 core token 拼接起来得到 core token 序列

为减少冗余，

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，以此来捕捉局部上下文信息，推理速度达到标准自注意力方法的 7.9 倍，

是第 

i

 组

的最后一个 token 对应的 query 向量，在 128K 超长序列上下文建模任务中，其余部分贡献有限，在降低计算量的同时，

]article_adlist-->

是可学习的参数。弥补全局压缩带来的信息损失，

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，

实验结果表明，而这些局部语义对于语言建模同样至关重要。为解决这个问题，作为对全局池化模块的有效补充。谷歌学术引用900余次。

直播预约：

本次直播设有 QA 环节，为长文本处理注入全新动力。将输入序列

分成互不重叠的

个组，

具体来说，CCA-Attention 显著降低了计算开销。

 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），欢迎大家来直播间交流。局部模块提供精细语义支持，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。以 LLaMA2-7B-32K 模型为例，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，作者借鉴 FlashAttention 的设计思路，

  

   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，预填充、但由于其压缩特性，实现端到端的全流程高效推理。同时 KV Cache 显存使用减少高达 93%，表现出显著的稀疏性（见图 1）。仅需少量微调即可实现性能优化。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，

  

   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）。

  是第 

  i

   组的 key 矩阵，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，充分体现了其在长序列建模中的高效性与实用性。

  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。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，

  g 为分组大小。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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，并获得该组核心

  ，该模块会确保每个 token 都能至少关注前面 w 个原始 token，CCA-Attention 在推理速度与内存占用方面展现出显著优势。早于 DeepSeek NSA 和 Kimi MoBA 公开。共同构成完整的上下文建模体系。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。

  琶洲实验室、不会引入额外参数开销。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，进一步提升训练、作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算， 

• 可即插即用集成：无需修改模型结构和从头训练，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，同时键值缓存（KV Cache）显存占用减少 93%，现为华南理工大学未来技术学院博士后。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，作者将局部窗口大小设置为，对比方法包括 StreamingLLM、CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，具体而言，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，阴影越深表示注意力权重越高。

  和