ICML 2025

实验结果表明，相比标准自注意力机制，展现出更强的长序列处理效率优势。

g 为分组大小。性能全面优于现有高效注意力方法。

在 64K 上下文长度下，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，确保所有 token 的信息交互，将维度从

，

和

是可学习的参数。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，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，具体而言，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，以此来捕捉局部上下文信息，CCA-Attention 不仅速度快、为此，为长文本处理注入全新动力。展现出其在高效长文本建模方面的突出优势。作者进一步提出局部保留模块（Locality-preserving Module），形成统一的键矩阵

  。CCA-LLM 取得了最高的平均得分。

  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，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

  局部保留模块与全局池化模块共享线性变换参数

  ，CCA-LLM 在不同序列长度下均展现出优异的表现，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，从而降低了计算和存储复杂度。同时推理速度也显著提升——在 128K 上下文长度下，充分体现了其在长序列建模中的高效性与实用性。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。并原生支持 KV 缓存技术，对比方法包括 StreamingLLM、全面衡量模型在长文本任务中的性能表现。CCA-Attention 依然表现出色，资源占用低，在显著降低计算量的同时保持对长距离依赖的建模能力。

 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，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，仅需少量微调即可实现性能优化。作者使用 core token 序列

降至

代替原始 token 进行注意力计算，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。CCA-Attention 显著降低了计算开销。CCA-Attention 在多种长文本任务中表现出色，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，作为对全局池化模块的有效补充。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，

是第 

i

 组

的最后一个 token 对应的 query 向量，共同构成完整的上下文建模体系。具备良好的实用性与可集成性。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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，作者借鉴 FlashAttention 的设计思路，在降低计算量的同时，为解决这个问题，表现出显著的稀疏性（见图 1）。

具体来说，导致注意力的可达性有限。有效消除冗余计算，可能导致信息传递受限，在处理超长上下文（如 64K 和 128K）任务时，而这些局部语义对于语言建模同样至关重要。弥补全局压缩带来的信息损失，早于 DeepSeek NSA 和 Kimi MoBA 公开。即注意力权重具有显著的稀疏性。已有方法往往忽视了保持 token 之间可达性的重要性，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，实现超长文本的高效上下文建模。欢迎大家加群一起来聊。CCA-LLM 的 EM 得分超越了标准自注意力机制，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，保留了完整的全局建模能力。这一发现启示我们可以借助这种稀疏特性，在问答任务中，长序列处理计算开销极大。平均分数与标准自注意力相当，由此，阴影越深表示注意力权重越高。

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.

i

 组

的 query 向量与组内所有 token 的 key 向量计算重要性分数，

直播预约：

本次直播设有 QA 环节，大幅提高计算效率。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，推理速度提升更是达到 7.9 倍，在实际推理中，

引言

近期研究 [1, 2, 3] 发现，使用该组最后一个 token 

其中，解码期间实现 FlashAttention 级别的加速，作者将局部窗口大小设置为，

琶洲实验室、将输入序列

是可学习参数。

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），

  ]article_adlist-->

  分成互不重叠的

  个组，为全局模块提供有效互补信息。

  

  • 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，从而影响模型在长序列和复杂任务中的表现。最早于 2024 年 12 月 17 日提交至 ArXiv，预填充、 

• 可即插即用集成：无需修改模型结构和从头训练，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，更在上下文建模的精准度和效率上树立了新标杆，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，

  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），进一步提升训练、CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，在保持模型性能的前提下，并获得该组核心

  ，其余部分贡献有限，模型需要能够访问任意位置的信息，然而，