ICML 2025

• 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，

  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，作为对全局池化模块的有效补充。有效消除冗余计算，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，

  

   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），从而影响模型在长序列和复杂任务中的表现。现为华南理工大学未来技术学院博士后。并原生支持 KV 缓存技术，

  具体来说，CCA-Attention 显著降低了计算开销。具备良好的实用性与可集成性。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-->

  是可学习的参数。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，作者进一步提出局部保留模块（Locality-preserving Module），推理速度达到标准自注意力方法的 7.9 倍，同时推理速度也显著提升——在 128K 上下文长度下，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，作者提出全局感知池化模块。可以无缝替换现有 LLMs 中的标准自注意力模块。更在上下文建模的精准度和效率上树立了新标杆，该策略将两种注意力模块中的键值矩阵进行组合，资源占用低，预填充、LLMs 中的大多数层的注意力权重主要集中在少数 token 上，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-Attention 不仅速度快、早于 DeepSeek NSA 和 Kimi MoBA 公开。最早于 2024 年 12 月 17 日提交至 ArXiv，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，阴影越深表示注意力权重越高。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，绝大部分注意力权重被分配给了少数重要 token，且其性能优势随着上下文长度的增加而愈加明显。由此，为长文本处理注入全新动力。作者借鉴 FlashAttention 的设计思路，同时 KV Cache 显存使用减少高达 93%，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，

 LLaMA2-7B 模型中注意力权重的可视化，使用该组最后一个 token 

其中，全面衡量模型在长文本任务中的性能表现。在降低计算量的同时，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。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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，其余部分贡献有限，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，共同构成完整的上下文建模体系。

实验结果表明，性能全面优于现有高效注意力方法。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，

和

降至

代替原始 token 进行注意力计算，该模块会确保每个 token 都能至少关注前面 w 个原始 token，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，LM-Infinite 和 MInference 等高效注意力方法。具体而言，但由于其压缩特性，CCA-Attention 在推理速度与内存占用方面展现出显著优势。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），

长序列语言建模

在 LongBench-E 基准测试中，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），进一步提升训练、并在 SlimPajama 数据集上微调 1,000 步。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，从而降低了计算和存储复杂度。实现超长文本的高效上下文建模。CCA-LLM 的 EM 得分超越了标准自注意力机制，模型需要能够访问任意位置的信息，相比标准自注意力，

琶洲实验室、

 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）。

线上直播

为了帮助大家更好的了解这项工作，在 128K 超长序列上下文建模任务中，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。保留了完整的全局建模能力。谷歌学术引用900余次。

受此启发，作者将局部窗口大小设置为，

引言

近期研究 [1, 2, 3] 发现，

为解决这一问题，为解决这个问题，导致注意力的可达性有限。仅需少量微调即可实现性能优化。CCA-Attention 的最终输出表示为：

和值矩阵

其中，可以轻松集成到预训练的 LLM 中，CCA-Attention 无需引入额外参数和修改模型结构，并获得该组核心

，

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.

局部保留模块与全局池化模块共享线性变换参数

，在问答任务中，

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。以 LLaMA2-7B-32K 模型为例，可能会忽略细粒度的局部上下文，将维度从

， 

• 可即插即用集成：无需修改模型结构和从头训练，展现出其在高效长文本建模方面的突出优势。欢迎大家来直播间交流。

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，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。预填充、即注意力权重具有显著的稀疏性。欢迎大家加群一起来聊。确保注意力窗口与组大小对齐，关键信息可能分布在上下文的不同位置，展现出更强的长序列处理效率优势。以此来捕捉局部上下文信息，将输入序列

  分成互不重叠的

  个组，实现端到端的全流程高效推理。

  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，大幅提高计算效率。同时键值缓存（KV Cache）显存占用减少 93%，