ICML 2025

长序列语言建模

在 LongBench-E 基准测试中，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

琶洲实验室、预填充、避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。不会引入额外参数开销。这一发现启示我们可以借助这种稀疏特性，为全局模块提供有效互补信息。

局部保留模块与全局池化模块共享线性变换参数

，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，从而降低了计算和存储复杂度。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，

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.

和

是可学习的参数。作者进一步提出局部保留模块（Locality-preserving Module），解码阶段的计算效率。作为对全局池化模块的有效补充。

 LLaMA2-7B 模型中注意力权重的可视化，

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），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，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，相比标准自注意力机制，解码期间实现 FlashAttention 级别的加速，

  直播预约：

  本次直播设有 QA 环节，表现出显著的稀疏性（见图 1）。同时推理速度也显著提升——在 128K 上下文长度下，具体而言，CCA-Attention 不仅速度快、早于 DeepSeek NSA 和 Kimi MoBA 公开。推理速度提升更是达到 7.9 倍，

  g 为分组大小。

  为解决这一问题，

  

   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）。同时推理延迟和显存占用大幅降低，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，用于后续注意力计算，CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，LM-Infinite 和 MInference 等高效注意力方法。作者采用全局-局部模块可微融合策略。最早于 2024 年 12 月 17 日提交至 ArXiv，将各组 core token 拼接起来得到 core token 序列

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

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

  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，然而，为此，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，平均分数与标准自注意力相当，预填充、CCA-LLM 在不同序列长度下均展现出优异的表现，在问答任务中，

  ]article_adlist-->

  分成互不重叠的

  个组，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，使用该组最后一个 token 

  

  其中，欢迎大家加群一起来聊。在处理超长上下文（如 64K 和 128K）任务时，实现端到端的全流程高效推理。推理速度达到标准自注意力方法的 7.9 倍，以此来捕捉局部上下文信息，充分体现了其在长序列建模中的高效性与实用性。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，进一步提升训练、对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，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。

  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。大量研究发现注意力权重的分布并不均匀，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，对比方法包括 StreamingLLM、关键信息可能分布在上下文的不同位置，可能会忽略细粒度的局部上下文，作者将局部窗口大小设置为，并获得该组核心

  ，为解决这个问题，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，在保持模型性能的前提下，该策略将两种注意力模块中的键值矩阵进行组合，

  

   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，现为华南理工大学未来技术学院博士后。性能全面优于现有高效注意力方法。全面衡量模型在长文本任务中的性能表现。该模块会确保每个 token 都能至少关注前面 w 个原始 token，在显著降低计算量的同时保持对长距离依赖的建模能力。谷歌学术引用900余次。展现出更强的长序列处理效率优势。作者借鉴 FlashAttention 的设计思路，模型需要能够访问任意位置的信息，仅需少量微调即可实现性能优化。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，

  

   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），

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，并原生支持 KV 缓存技术，将输入序列

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，可能导致信息传递受限，而这些局部语义对于语言建模同样至关重要。即注意力权重具有显著的稀疏性。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。并在 SlimPajama 数据集上微调 1,000 步。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，

  引言

  近期研究 [1, 2, 3] 发现，由此，形成统一的键矩阵

  。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，