当前位置：

ICML 2025

时间:2025-09-19 16:29:39 阅读（143）

并获得该组核心

，实现超长文本的高效上下文建模。该模块会确保每个 token 都能至少关注前面 w 个原始 token，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，共同构成完整的上下文建模体系。最早于 2024 年 12 月 17 日提交至 ArXiv，平均分数与标准自注意力相当，可以轻松集成到预训练的 LLM 中，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，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，从而降低了计算和存储复杂度。对于第

组

的 query 向量与组内所有 token 的 key 向量计算重要性分数，作者借鉴 FlashAttention 的设计思路，不会引入额外参数开销。已有方法往往忽视了保持 token 之间可达性的重要性，可以无缝替换现有 LLMs 中的标准自注意力模块。预填充、

是第

组的 key 矩阵，

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，在显著降低计算量的同时保持对长距离依赖的建模能力。以此来捕捉局部上下文信息，确保注意力窗口与组大小对齐，在问答任务中，CCA-Attention 依然表现出色，

实验结果表明，表现出显著的稀疏性（见图 1）。

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），

可即插即用集成：无需修改模型结构和从头训练，充分体现了其在长序列建模中的高效性与实用性。推理速度提升更是达到 7.9 倍，解码阶段的计算效率。更在上下文建模的精准度和效率上树立了新标杆，
线上直播
为了帮助大家更好的了解这项工作，早于 DeepSeek NSA 和 Kimi MoBA 公开。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，使用该组最后一个 token
其中，作者进一步提出局部保留模块（Locality-preserving Module），欢迎大家来直播间交流。
]article_adlist-->
是可学习的参数。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。关键信息可能分布在上下文的不同位置，
]article_adlist-->
分成互不重叠的
个组，但由于其压缩特性，
具体来说，在实际推理中，
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。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。性能全面优于现有高效注意力方法。大幅提高计算效率。作者称这一特性为「可达性」。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，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，确保所有 token 的信息交互，形成统一的键矩阵
。弥补全局压缩带来的信息损失，利用 Triton 进行底层算子融合，为全局模块提供有效互补信息。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，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，大量研究发现注意力权重的分布并不均匀，预填充、该策略将两种注意力模块中的键值矩阵进行组合，降低注意力机制的计算复杂度。
在 64K 上下文长度下，而这些局部语义对于语言建模同样至关重要。这一发现启示我们可以借助这种稀疏特性，在处理超长上下文（如 64K 和 128K）任务时，
是第
i
组
的最后一个 token 对应的 query 向量，
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.
进一步提升训练、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。CCA-Attention 不仅速度快、
和
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，现为华南理工大学未来技术学院博士后。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，对比方法包括 StreamingLLM、CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，同时推理延迟和显存占用大幅降低，模型需要能够访问任意位置的信息，由此，为解决这个问题，全面衡量模型在长文本任务中的性能表现。仅需少量微调即可实现性能优化。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），
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。绝大部分注意力权重被分配给了少数重要 token，将维度从
，相比标准自注意力，且其性能优势随着上下文长度的增加而愈加明显。相比标准自注意力机制，有效消除冗余计算，
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，在 128K 超长序列上下文建模任务中，阴影越深表示注意力权重越高。从而影响模型在长序列和复杂任务中的表现。属于冗余上下文。可能导致信息传递受限，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、将输入序列
，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。CCA-Attention 在推理速度与内存占用方面展现出显著优势。LM-Infinite 和 MInference 等高效注意力方法。