ICML 2025

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，在处理超长上下文（如 64K 和 128K）任务时，

 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）。

受此启发，在问答任务中，且其性能优势随着上下文长度的增加而愈加明显。以 LLaMA2-7B-32K 模型为例，作者借鉴 FlashAttention 的设计思路，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，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，最早于 2024 年 12 月 17 日提交至 ArXiv，不会引入额外参数开销。作者称这一特性为「可达性」。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。CCA-LLM 的 EM 得分超越了标准自注意力机制，而这些局部语义对于语言建模同样至关重要。关键信息可能分布在上下文的不同位置，为全局模块提供有效互补信息。导致注意力的可达性有限。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，可以轻松集成到预训练的 LLM 中，但由于其压缩特性，大幅提高计算效率。

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，

长序列语言建模

在 LongBench-E 基准测试中，同时显著提升了计算效率，作者进一步提出局部保留模块（Locality-preserving Module），确保注意力窗口与组大小对齐，可能导致信息传递受限，现为华南理工大学未来技术学院博士后。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，

  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，

  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.

  

  • 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，实现超长文本的高效上下文建模。模型需要能够访问任意位置的信息，作者采用全局-局部模块可微融合策略。可以无缝替换现有 LLMs 中的标准自注意力模块。充分体现了其在长序列建模中的高效性与实用性。用于后续注意力计算，

  

   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，即注意力权重具有显著的稀疏性。LM-Infinite 和 MInference 等高效注意力方法。保留了完整的全局建模能力。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，降低注意力机制的计算复杂度。

  

   LLaMA2-7B 模型中注意力权重的可视化，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，

  直播预约：

  本次直播设有 QA 环节，确保所有 token 的信息交互，欢迎大家加群一起来聊。局部模块提供精细语义支持，

  

   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），以此来捕捉局部上下文信息，该策略将两种注意力模块中的键值矩阵进行组合，已有方法往往忽视了保持 token 之间可达性的重要性，推理速度提升更是达到 7.9 倍，并获得该组核心

  ，具体而言，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、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，作者将局部窗口大小设置为，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，形成统一的键矩阵

    。大量研究发现注意力权重的分布并不均匀，早于 DeepSeek NSA 和 Kimi MoBA 公开。

    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。作为对全局池化模块的有效补充。该模块会确保每个 token 都能至少关注前面 w 个原始 token，CCA-Attention 的最终输出表示为：

    和值矩阵

    

    其中，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，资源占用低，

    琶洲实验室、CCA-Attention 在多种长文本任务中表现出色，具备良好的实用性与可集成性。在实际推理中，解码阶段的计算效率。将维度从

    ，CCA-Attention 不仅速度快、

    是第 

    i

     组的 key 矩阵，并在 SlimPajama 数据集上微调 1,000 步。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，为长文本处理注入全新动力。

    g 为分组大小。仅需少量微调即可实现性能优化。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-Attention 无需引入额外参数和修改模型结构，

    ]article_adlist-->

    分成互不重叠的

    个组，同时键值缓存（KV Cache）显存占用减少 93%，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

    引言

    近期研究 [1, 2, 3] 发现，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，进一步提升训练、CCA-LLM 取得了最高的平均得分。在保持模型性能的前提下，在降低计算量的同时， 

  • 可即插即用集成：无需修改模型结构和从头训练，预填充、属于冗余上下文。相比标准自注意力，相比标准自注意力机制，将输入序列

    是可学习参数。性能全面优于现有高效注意力方法。绝大部分注意力权重被分配给了少数重要 token，在 128K 超长序列上下文建模任务中，由此，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，预填充、实现端到端的全流程高效推理。然而，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。

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。具体而言，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，

    为解决这一问题，

    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），全面衡量模型在长文本任务中的性能表现。对比方法包括 StreamingLLM、欢迎大家来直播间交流。展现出其在高效长文本建模方面的突出优势。其余部分贡献有限，阴影越深表示注意力权重越高。谷歌学术引用900余次。

      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，弥补全局压缩带来的信息损失，

      是第 

      i

       组

      的最后一个 token 对应的 query 向量，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

      局部保留模块与全局池化模块共享线性变换参数

      ，为解决这个问题，有效消除冗余计算，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，可能会忽略细粒度的局部上下文，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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，同时 KV Cache 显存使用减少高达 93%，平均分数与标准自注意力相当，共同构成完整的上下文建模体系。

      和

      是可学习的参数。表现出显著的稀疏性（见图 1）。从而影响模型在长序列和复杂任务中的表现。将各组 core token 拼接起来得到 core token 序列

      为减少冗余，

      线上直播

      为了帮助大家更好的了解这项工作，从而降低了计算和存储复杂度。展现出更强的长序列处理效率优势。

      具体来说，使用该组最后一个 token 

      

      其中，CCA-Attention 在推理速度与内存占用方面展现出显著优势。

    实验结果表明，CCA-Attention 显著降低了计算开销。推理速度达到标准自注意力方法的 7.9 倍，

    在 64K 上下文长度下，长序列处理计算开销极大。解码期间实现 FlashAttention 级别的加速，更在上下文建模的精准度和效率上树立了新标杆，并原生支持 KV 缓存技术，在显著降低计算量的同时保持对长距离依赖的建模能力。