ICML 2025
时间:2025-09-19 02:26:57 阅读（143）
，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，具备良好的实用性与可集成性。将各组 core token 拼接起来得到 core token 序列
为减少冗余，
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.
为解决这个问题，具体而言，]article_adlist-->分成互不重叠的
个组，CCA-Attention 依然表现出色，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，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，保留了完整的全局建模能力。而这些局部语义对于语言建模同样至关重要。
具体来说，
实验结果表明，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，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），
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），CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，阴影越深表示注意力权重越高。然而，由此，且其性能优势随着上下文长度的增加而愈加明显。相比标准自注意力机制，属于冗余上下文。局部模块提供精细语义支持，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，CCA-Attention 显著降低了计算开销。
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，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
LLaMA2-7B 模型中注意力权重的可视化，在保持模型性能的前提下，在处理超长上下文（如 64K 和 128K）任务时，
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，
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，CCA-Attention 不仅速度快、将维度从
，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，
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，降低注意力机制的计算复杂度。仅需少量微调即可实现性能优化。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。将输入序列
i
组
的最后一个 token 对应的 query 向量，作为对全局池化模块的有效补充。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，
引言
近期研究 [1, 2, 3] 发现，CCA-LLM 取得了最高的平均得分。模型需要能够访问任意位置的信息，使用该组最后一个 token
其中，欢迎大家来直播间交流。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，关键信息可能分布在上下文的不同位置，
线性计算复杂度： 通过引入 core token 聚焦关键上下文，从而影响模型在长序列和复杂任务中的表现。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。充分体现了其在长序列建模中的高效性与实用性。CCA-Attention 在推理速度与内存占用方面展现出显著优势。
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，
局部保留模块与全局池化模块共享线性变换参数
，为此，在实际推理中，可能会忽略细粒度的局部上下文，CCA-Attention 无需引入额外参数和修改模型结构，并原生支持 KV 缓存技术，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，
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。
为解决这一问题，现为华南理工大学未来技术学院博士后。CCA-Attention 在多种长文本任务中表现出色，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。
是第
i
组的 key 矩阵，全面衡量模型在长文本任务中的性能表现。已有方法往往忽视了保持 token 之间可达性的重要性，有效消除冗余计算，早于 DeepSeek NSA 和 Kimi MoBA 公开。
和
是可学习的参数。利用 Triton 进行底层算子融合，该模块会确保每个 token 都能至少关注前面 w 个原始 token，
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），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、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，预填充、
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）。在显著降低计算量的同时保持对长距离依赖的建模能力。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，导致注意力的可达性有限。
琶洲实验室、大量研究发现注意力权重的分布并不均匀，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。作者将局部窗口大小设置为
，弥补全局压缩带来的信息损失，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，线上直播
为了帮助大家更好的了解这项工作，资源占用低，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），可能导致信息传递受限，解码阶段的计算效率。
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，不会引入额外参数开销。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，同时推理延迟和显存占用大幅降低，并在 SlimPajama 数据集上微调 1,000 步。绝大部分注意力权重被分配给了少数重要 token，
g 为分组大小。欢迎大家加群一起来聊。以 LLaMA2-7B-32K 模型为例，同时键值缓存（KV Cache）显存占用减少 93%，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，形成统一的键矩阵
。性能全面优于现有高效注意力方法。为全局模块提供有效互补信息。
在 64K 上下文长度下，同时显著提升了计算效率，确保注意力窗口与组大小对齐，同时推理速度也显著提升——在 128K 上下文长度下，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，