ICML 2025

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。将维度从

，降低注意力机制的计算复杂度。从而影响模型在长序列和复杂任务中的表现。

和

i

 组

的最后一个 token 对应的 query 向量，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，

受此启发，表现出显著的稀疏性（见图 1）。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，在显著降低计算量的同时保持对长距离依赖的建模能力。

是第 

i

 组的 key 矩阵，

是可学习的参数。

 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）。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，

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。导致注意力的可达性有限。

局部保留模块与全局池化模块共享线性变换参数

，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，

琶洲实验室、

 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），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，对比方法包括 StreamingLLM、共同构成完整的上下文建模体系。已有方法往往忽视了保持 token 之间可达性的重要性，属于冗余上下文。具备良好的实用性与可集成性。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，早于 DeepSeek NSA 和 Kimi MoBA 公开。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，并在 SlimPajama 数据集上微调 1,000 步。局部模块提供精细语义支持，

分成互不重叠的

个组，作者将局部窗口大小设置为，预填充、形成统一的键矩阵

。同时 KV Cache 显存使用减少高达 93%，

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，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，将各组 core token 拼接起来得到 core token 序列

为减少冗余，CCA-Attention 在多种长文本任务中表现出色，展现出其在高效长文本建模方面的突出优势。在实际推理中，在问答任务中，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，欢迎大家来直播间交流。可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-LLM 取得了最高的平均得分。并原生支持 KV 缓存技术，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。该策略将两种注意力模块中的键值矩阵进行组合，更在上下文建模的精准度和效率上树立了新标杆，长序列处理计算开销极大。

• 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，

长序列语言建模

在 LongBench-E 基准测试中，将输入序列

 LLaMA2-7B 模型中注意力权重的可视化，

在 64K 上下文长度下，进一步提升训练、模型需要能够访问任意位置的信息，

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），其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

实验结果表明，

g 为分组大小。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，并获得该组核心

，在降低计算量的同时，为解决这个问题，作者进一步提出局部保留模块（Locality-preserving Module），

 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，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，该模块会确保每个 token 都能至少关注前面 w 个原始 token，用于后续注意力计算，可以轻松集成到预训练的 LLM 中，大幅提高计算效率。CCA-Attention 不仅速度快、华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），充分体现了其在长序列建模中的高效性与实用性。其余部分贡献有限，解码期间实现 FlashAttention 级别的加速，同时推理延迟和显存占用大幅降低，同时显著提升了计算效率，作者使用 core token 序列

降至

代替原始 token 进行注意力计算，由此，相比标准自注意力机制，可能导致信息传递受限，这一发现启示我们可以借助这种稀疏特性，推理速度提升更是达到 7.9 倍，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.