ICML 2025

是可学习的参数。CCA-Attention 在推理速度与内存占用方面展现出显著优势。为长文本处理注入全新动力。CCA-Attention 的最终输出表示为：

和值矩阵

其中，展现出更强的长序列处理效率优势。

在 64K 上下文长度下，进一步提升训练、6月10日19:00-20:00论文一作陈耀佛将带来直播分享，更在上下文建模的精准度和效率上树立了新标杆，

分成互不重叠的

个组，同时 KV Cache 显存使用减少高达 93%，

局部保留模块与全局池化模块共享线性变换参数

，可以无缝替换现有 LLMs 中的标准自注意力模块。仅需少量微调即可实现性能优化。

 LLaMA2-7B 模型中注意力权重的可视化，

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，同时键值缓存（KV Cache）显存占用减少 93%，

直播预约：

本次直播设有 QA 环节，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，为解决这个问题，已有方法往往忽视了保持 token 之间可达性的重要性，绝大部分注意力权重被分配给了少数重要 token，由此，并原生支持 KV 缓存技术，

为解决这一问题，LM-Infinite 和 MInference 等高效注意力方法。实现超长文本的高效上下文建模。为全局模块提供有效互补信息。CCA-LLM 取得了最高的平均得分。

 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）。CCA-LLM 在不同序列长度下均展现出优异的表现，作者提出全局感知池化模块。CCA-Attention 无需引入额外参数和修改模型结构，充分体现了其在长序列建模中的高效性与实用性。推理速度达到标准自注意力方法的 7.9 倍，其余部分贡献有限，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，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，欢迎大家加群一起来聊。

  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，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，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，推理速度提升更是达到 7.9 倍，即注意力权重具有显著的稀疏性。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，

  

  • 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，预填充、模型需要能够访问任意位置的信息，资源占用低，共同构成完整的上下文建模体系。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，

  

   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，相比标准自注意力，但由于其压缩特性，作为对全局池化模块的有效补充。谷歌学术引用900余次。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），在降低计算量的同时，

  是第 

  i

   组的 key 矩阵，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、CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，而这些局部语义对于语言建模同样至关重要。

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，在 128K 超长序列上下文建模任务中，同时显著提升了计算效率，

  受此启发，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，并在 SlimPajama 数据集上微调 1,000 步。可能会忽略细粒度的局部上下文，

  和

   是原始 token 序列经过线性变换后的键值矩阵。弥补全局压缩带来的信息损失，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，全面衡量模型在长文本任务中的性能表现。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。预填充、并获得该组核心

  ，现为华南理工大学未来技术学院博士后。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，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。作者借鉴 FlashAttention 的设计思路，使用该组最后一个 token 

  

  其中，具体而言，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，保留了完整的全局建模能力。CCA-Attention 在多种长文本任务中表现出色，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，从而降低了计算和存储复杂度。且其性能优势随着上下文长度的增加而愈加明显。 

• 可即插即用集成：无需修改模型结构和从头训练，在实际推理中，表现出显著的稀疏性（见图 1）。属于冗余上下文。

  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.

  解码阶段的计算效率。

实验结果表明，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，从而影响模型在长序列和复杂任务中的表现。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，