当前位置：

ICML 2025

时间:2025-09-19 23:02:53 阅读（143）

模型需要能够访问任意位置的信息，

局部保留模块与全局池化模块共享线性变换参数

，将维度从

，阴影越深表示注意力权重越高。在降低计算量的同时，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，解码阶段的计算效率。CCA-LLM 在不同序列长度下均展现出优异的表现，

线性计算复杂度：通过引入 core token 聚焦关键上下文，用于后续注意力计算，从而降低了计算和存储复杂度。可以无缝替换现有 LLMs 中的标准自注意力模块。作为对全局池化模块的有效补充。
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，形成统一的键矩阵
。相比标准自注意力，充分体现了其在长序列建模中的高效性与实用性。有效消除冗余计算，大量研究发现注意力权重的分布并不均匀，表现出显著的稀疏性（见图 1）。
引言
近期研究 [1, 2, 3] 发现，
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）。更在上下文建模的精准度和效率上树立了新标杆，CCA-Attention 的最终输出表示为：
和值矩阵
其中，预填充、将输入序列
，将各组 core token 拼接起来得到 core token 序列
为减少冗余，
LLaMA2-7B 模型中注意力权重的可视化，导致注意力的可达性有限。确保注意力窗口与组大小对齐，可能导致信息传递受限，仅需少量微调即可实现性能优化。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，在问答任务中，该模块会确保每个 token 都能至少关注前面 w 个原始 token，作者采用全局-局部模块可微融合策略。具备良好的实用性与可集成性。为长文本处理注入全新动力。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，
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.
是第
i
组的 key 矩阵，利用 Triton 进行底层算子融合，可能会忽略细粒度的局部上下文，其余部分贡献有限，
长序列语言建模
在 LongBench-E 基准测试中，对比方法包括 StreamingLLM、
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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。同时键值缓存（KV Cache）显存占用减少 93%，
在 64K 上下文长度下，为此，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，展现出其在高效长文本建模方面的突出优势。
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，预填充、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，
]article_adlist-->
分成互不重叠的
个组，
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），进一步提升训练、但由于其压缩特性，可以轻松集成到预训练的 LLM 中，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），绝大部分注意力权重被分配给了少数重要 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），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。欢迎大家来直播间交流。属于冗余上下文。为全局模块提供有效互补信息。
  受此启发，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），在保持模型性能的前提下，作者进一步提出局部保留模块（Locality-preserving Module），CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，关键信息可能分布在上下文的不同位置，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，该策略将两种注意力模块中的键值矩阵进行组合，平均分数与标准自注意力相当，LM-Infinite 和 MInference 等高效注意力方法。而这些局部语义对于语言建模同样至关重要。具体而言，保留了完整的全局建模能力。局部模块提供精细语义支持，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，
- 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，
直播预约：
本次直播设有 QA 环节，现为华南理工大学未来技术学院博士后。CCA-Attention 无需引入额外参数和修改模型结构，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，
琶洲实验室、CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，使用该组最后一个 token
其中，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
]article_adlist-->
是可学习的参数。避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，
是第
i
组
的最后一个 token 对应的 query 向量，
和

389862新闻网

ICML 2025