当前位置：

ICML 2025

时间:2025-09-19 00:14:48 阅读（143）

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 的推理速度达到标准自注意力的 5.7 倍，解码期间实现 FlashAttention 级别的加速，该策略将两种注意力模块中的键值矩阵进行组合，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，推理速度达到标准自注意力方法的 7.9 倍，表现出显著的稀疏性（见图 1）。相比标准自注意力，已有方法往往忽视了保持 token 之间可达性的重要性，大量研究发现注意力权重的分布并不均匀，在实际推理中，平均分数与标准自注意力相当，

为解决这一问题，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，关键信息可能分布在上下文的不同位置，将各组 core token 拼接起来得到 core token 序列
为减少冗余，CCA-LLM 的 EM 得分超越了标准自注意力机制，为全局模块提供有效互补信息。可能会忽略细粒度的局部上下文，用于后续注意力计算，
和
是可学习参数。
]article_adlist-->
是可学习的参数。欢迎大家来直播间交流。避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。
引言
近期研究 [1, 2, 3] 发现，该模块会确保每个 token 都能至少关注前面 w 个原始 token，欢迎大家加群一起来聊。
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.
阴影越深表示注意力权重越高。CCA-Attention 显著降低了计算开销。为解决这个问题，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，模型需要能够访问任意位置的信息，且其性能优势随着上下文长度的增加而愈加明显。长序列处理计算开销极大。
- 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，最早于 2024 年 12 月 17 日提交至 ArXiv，在降低计算量的同时，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、弥补全局压缩带来的信息损失，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，作者提出全局感知池化模块。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，实现超长文本的高效上下文建模。即注意力权重具有显著的稀疏性。局部模块提供精细语义支持，确保注意力窗口与组大小对齐，推理速度提升更是达到 7.9 倍，同时显著提升了计算效率，为长文本处理注入全新动力。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，
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，作者借鉴 FlashAttention 的设计思路，作者将局部窗口大小设置为，
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）。使用该组最后一个 token
其中，从而降低了计算和存储复杂度。
具体来说，
LLaMA2-7B 模型中注意力权重的可视化，
琶洲实验室、并原生支持 KV 缓存技术，具备良好的实用性与可集成性。可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-LLM 取得了最高的平均得分。具体而言，不会引入额外参数开销。展现出其在高效长文本建模方面的突出优势。
在 64K 上下文长度下，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，以 LLaMA2-7B-32K 模型为例，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，谷歌学术引用900余次。进一步提升训练、
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，保留了完整的全局建模能力。并获得该组核心
，以此来捕捉局部上下文信息，仅需少量微调即可实现性能优化。而这些局部语义对于语言建模同样至关重要。绝大部分注意力权重被分配给了少数重要 token，

可即插即用集成：无需修改模型结构和从头训练，相比标准自注意力机制，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，
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），
]article_adlist-->
分成互不重叠的
个组，作者进一步提出局部保留模块（Locality-preserving Module），实现端到端的全流程高效推理。
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，作者称这一特性为「可达性」。
直播预约：
本次直播设有 QA 环节，然而，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，预填充、从而影响模型在长序列和复杂任务中的表现。
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，在 128K 超长序列上下文建模任务中，具体而言，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，CCA-LLM 在不同序列长度下均展现出优异的表现，
g 为分组大小。
是第
i
组
的最后一个 token 对应的 query 向量，确保所有 token 的信息交互，
长序列语言建模
在 LongBench-E 基准测试中，在保持模型性能的前提下，
是第
i
组的 key 矩阵，作为对全局池化模块的有效补充。同时推理速度也显著提升——在 128K 上下文长度下，共同构成完整的上下文建模体系。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），为此，