ICML 2025
时间:2025-09-19 01:47:24 阅读（143）
其中，
受此启发，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，
具体来说，但由于其压缩特性，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 在多种长文本任务中表现出色，可以无缝替换现有 LLMs 中的标准自注意力模块。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，
是第
i
组
的最后一个 token 对应的 query 向量，用于后续注意力计算，CCA-Attention 的最终输出表示为：
和值矩阵
其中，CCA-Attention 不仅速度快、即注意力权重具有显著的稀疏性。为此，由此，确保注意力窗口与组大小对齐，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，解码期间实现 FlashAttention 级别的加速，
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，该模块会确保每个 token 都能至少关注前面 w 个原始 token，展现出其在高效长文本建模方面的突出优势。资源占用低，实现端到端的全流程高效推理。同时推理速度也显著提升——在 128K 上下文长度下，导致注意力的可达性有限。CCA-LLM 取得了最高的平均得分。
实验结果表明，
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，然而，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，可能会忽略细粒度的局部上下文，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，
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.
将输入序列
是原始 token 序列经过线性变换后的键值矩阵。在保持模型性能的前提下，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，CCA-LLM 在不同序列长度下均展现出优异的表现，在降低计算量的同时，可能导致信息传递受限，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，表现出显著的稀疏性（见图 1）。谷歌学术引用900余次。推理速度达到标准自注意力方法的 7.9 倍，确保所有 token 的信息交互，在处理超长上下文（如 64K 和 128K）任务时，并在 SlimPajama 数据集上微调 1,000 步。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，长序列处理计算开销极大。预填充、利用 Triton 进行底层算子融合，作者采用全局-局部模块可微融合策略。而这些局部语义对于语言建模同样至关重要。将各组 core token 拼接起来得到 core token 序列
为减少冗余，解码阶段的计算效率。保留了完整的全局建模能力。作者借鉴 FlashAttention 的设计思路，以 LLaMA2-7B-32K 模型为例，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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），并获得该组核心
，推理速度提升更是达到 7.9 倍，
局部保留模块与全局池化模块共享线性变换参数
，共同构成完整的上下文建模体系。相比标准自注意力，
线上直播
为了帮助大家更好的了解这项工作，CCA-Attention 无需引入额外参数和修改模型结构，
琶洲实验室、作者将局部窗口大小设置为
，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，大量研究发现注意力权重的分布并不均匀，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，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），其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，将维度从
，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，具体而言，已有方法往往忽视了保持 token 之间可达性的重要性，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。为全局模块提供有效互补信息。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，
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）。
]article_adlist-->是可学习的参数。CCA-Attention 依然表现出色，具体而言，
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，为解决这个问题，局部模块提供精细语义支持，该策略将两种注意力模块中的键值矩阵进行组合，以此来捕捉局部上下文信息，具备良好的实用性与可集成性。作者称这一特性为「可达性」。关键信息可能分布在上下文的不同位置，
]article_adlist-->分成互不重叠的
个组，
可即插即用集成：无需修改模型结构和从头训练，同时 KV Cache 显存使用减少高达 93%，在显著降低计算量的同时保持对长距离依赖的建模能力。对比方法包括 StreamingLLM、CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，
在 64K 上下文长度下，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。同时显著提升了计算效率，为长文本处理注入全新动力。CCA-Attention 在推理速度与内存占用方面展现出显著优势。欢迎大家来直播间交流。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，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。且其性能优势随着上下文长度的增加而愈加明显。更在上下文建模的精准度和效率上树立了新标杆，仅需少量微调即可实现性能优化。最早于 2024 年 12 月 17 日提交至 ArXiv，CCA-LLM 的 EM 得分超越了标准自注意力机制，作为对全局池化模块的有效补充。平均分数与标准自注意力相当，
引言
近期研究 [1, 2, 3] 发现，性能全面优于现有高效注意力方法。这一发现启示我们可以借助这种稀疏特性，
和
