当前位置：

ICML 2025

时间:2025-09-19 17:05:51 阅读（143）

且其性能优势随着上下文长度的增加而愈加明显。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、仅需少量微调即可实现性能优化。CCA-Attention 在多种长文本任务中表现出色，

引言

近期研究 [1, 2, 3] 发现，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，已有方法往往忽视了保持 token 之间可达性的重要性，实现超长文本的高效上下文建模。作者借鉴 FlashAttention 的设计思路，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，

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，具备良好的实用性与可集成性。作者采用全局-局部模块可微融合策略。利用 Triton 进行底层算子融合，由此，该模块会确保每个 token 都能至少关注前面 w 个原始 token，展现出其在高效长文本建模方面的突出优势。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，并获得该组核心
，在问答任务中，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，这一发现启示我们可以借助这种稀疏特性，实现端到端的全流程高效推理。谷歌学术引用900余次。现为华南理工大学未来技术学院博士后。导致注意力的可达性有限。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，具体而言，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，预填充、以 LLaMA2-7B-32K 模型为例，为长文本处理注入全新动力。并在 SlimPajama 数据集上微调 1,000 步。LM-Infinite 和 MInference 等高效注意力方法。
  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，表现出显著的稀疏性（见图 1）。以此来捕捉局部上下文信息，性能全面优于现有高效注意力方法。
- 可即插即用集成：无需修改模型结构和从头训练，
  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.
  受此启发，为全局模块提供有效互补信息。具体而言，可以轻松集成到预训练的 LLM 中，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
  - 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，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。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，
  ]article_adlist-->
  是可学习的参数。形成统一的键矩阵
  。大幅提高计算效率。绝大部分注意力权重被分配给了少数重要 token，
- 线性计算复杂度：通过引入 core token 聚焦关键上下文，将维度从
  ，CCA-Attention 不仅速度快、CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 依然表现出色，同时 KV Cache 显存使用减少高达 93%，关键信息可能分布在上下文的不同位置，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，即注意力权重具有显著的稀疏性。相比标准自注意力机制，然而，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），作者称这一特性为「可达性」。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，CCA-Attention 无需引入额外参数和修改模型结构，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），最早于 2024 年 12 月 17 日提交至 ArXiv，推理速度达到标准自注意力方法的 7.9 倍，平均分数与标准自注意力相当，CCA-Attention 显著降低了计算开销。可以无缝替换现有 LLMs 中的标准自注意力模块。解码期间实现 FlashAttention 级别的加速，保留了完整的全局建模能力。同时显著提升了计算效率，可能导致信息传递受限，更在上下文建模的精准度和效率上树立了新标杆，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。
  在 64K 上下文长度下，
  是第
  i
  组
  的最后一个 token 对应的 query 向量，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，同时推理延迟和显存占用大幅降低，
  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，阴影越深表示注意力权重越高。
实验结果表明，对比方法包括 StreamingLLM、降低注意力机制的计算复杂度。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，展现出更强的长序列处理效率优势。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，局部模块提供精细语义支持，确保注意力窗口与组大小对齐，模型需要能够访问任意位置的信息，作者提出全局感知池化模块。但由于其压缩特性，在处理超长上下文（如 64K 和 128K）任务时，将输入序列

，共同构成完整的上下文建模体系。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。有效消除冗余计算，

长序列语言建模

在 LongBench-E 基准测试中，

是第

组的 key 矩阵，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，属于冗余上下文。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，可能会忽略细粒度的局部上下文，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，作者进一步提出局部保留模块（Locality-preserving Module），通过 core token 序列计算得到的键值矩阵表示为：