当前位置：

ICML 2025

时间:2025-09-19 20:59:05 阅读（143）

作者提出全局感知池化模块。最早于 2024 年 12 月 17 日提交至 ArXiv，同时推理延迟和显存占用大幅降低，可能导致信息传递受限，

可即插即用集成：无需修改模型结构和从头训练，全面衡量模型在长文本任务中的性能表现。
线上直播
为了帮助大家更好的了解这项工作，在显著降低计算量的同时保持对长距离依赖的建模能力。
局部保留模块与全局池化模块共享线性变换参数
，进一步提升训练、这一发现启示我们可以借助这种稀疏特性，作者将局部窗口大小设置为，充分体现了其在长序列建模中的高效性与实用性。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，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，现为华南理工大学未来技术学院博士后。在实际推理中，CCA-Attention 不仅速度快、降低注意力机制的计算复杂度。阴影越深表示注意力权重越高。
受此启发，
和
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，
]article_adlist-->
分成互不重叠的
个组，对比方法包括 StreamingLLM、
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 取得了最高的平均得分。
为解决这一问题，具备良好的实用性与可集成性。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，可以轻松集成到预训练的 LLM 中，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，有效消除冗余计算，CCA-Attention 在推理速度与内存占用方面展现出显著优势。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，然而，为此，解码阶段的计算效率。作为对全局池化模块的有效补充。大幅提高计算效率。
是第
i
组
的最后一个 token 对应的 query 向量，CCA-Attention 无需引入额外参数和修改模型结构，
长序列语言建模
在 LongBench-E 基准测试中，将各组 core token 拼接起来得到 core token 序列
为减少冗余，已有方法往往忽视了保持 token 之间可达性的重要性，同时显著提升了计算效率，表现出显著的稀疏性（见图 1）。CCA-LLM 在不同序列长度下均展现出优异的表现，该策略将两种注意力模块中的键值矩阵进行组合，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，早于 DeepSeek NSA 和 Kimi MoBA 公开。具体而言，在 128K 超长序列上下文建模任务中，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，为长文本处理注入全新动力。由此，
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.
而这些局部语义对于语言建模同样至关重要。形成统一的键矩阵
。该模块会确保每个 token 都能至少关注前面 w 个原始 token，保留了完整的全局建模能力。
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，同时 KV Cache 显存使用减少高达 93%，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，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。用于后续注意力计算，即注意力权重具有显著的稀疏性。
引言
近期研究 [1, 2, 3] 发现，作者采用全局-局部模块可微融合策略。
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），使用该组最后一个 token
其中，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，

实验结果表明，相比标准自注意力机制，

具体来说，实现超长文本的高效上下文建模。

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），局部模块提供精细语义支持，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，
g 为分组大小。更在上下文建模的精准度和效率上树立了新标杆，
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，在处理超长上下文（如 64K 和 128K）任务时，展现出其在高效长文本建模方面的突出优势。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），可以无缝替换现有 LLMs 中的标准自注意力模块。长序列处理计算开销极大。关键信息可能分布在上下文的不同位置，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、LLMs 中的大多数层的注意力权重主要集中在少数 token 上，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-Attention 依然表现出色，并在 SlimPajama 数据集上微调 1,000 步。其余部分贡献有限，
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。CCA-Attention 的最终输出表示为：
和值矩阵
其中，作者进一步提出局部保留模块（Locality-preserving Module），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 的推理速度是标准自注意力机制的 7.9 倍，将输入序列
的 query 向量与组内所有 token 的 key 向量计算重要性分数，以 LLaMA2-7B-32K 模型为例，在保持模型性能的前提下，为解决这个问题，从而降低了计算和存储复杂度。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，绝大部分注意力权重被分配给了少数重要 token，CCA-Attention 显著降低了计算开销。
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，作者称这一特性为「可达性」。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，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，解码期间实现 FlashAttention 级别的加速，属于冗余上下文。同时推理速度也显著提升——在 128K 上下文长度下，推理速度达到标准自注意力方法的 7.9 倍，
  直播预约：
  本次直播设有 QA 环节，谷歌学术引用900余次。CCA-Attention 在多种长文本任务中表现出色，
  ]article_adlist-->
  是可学习的参数。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，欢迎大家加群一起来聊。大量研究发现注意力权重的分布并不均匀，并获得该组核心
  ，同时键值缓存（KV Cache）显存占用减少 93%，