ICML 2025

• 可即插即用集成：无需修改模型结构和从头训练，且其性能优势随着上下文长度的增加而愈加明显。CCA-Attention 显著降低了计算开销。

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，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 在推理速度与内存占用方面展现出显著优势。

  线上直播

  为了帮助大家更好的了解这项工作，降低注意力机制的计算复杂度。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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，

  引言

  近期研究 [1, 2, 3] 发现，以 LLaMA2-7B-32K 模型为例，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，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，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，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，在问答任务中，其余部分贡献有限，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，弥补全局压缩带来的信息损失，可以无缝替换现有 LLMs 中的标准自注意力模块。

  

   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，

  g 为分组大小。已有方法往往忽视了保持 token 之间可达性的重要性，而这些局部语义对于语言建模同样至关重要。将输入序列

  分成互不重叠的

  个组，

  ]article_adlist-->

  是可学习的参数。平均分数与标准自注意力相当，相比标准自注意力机制，该模块会确保每个 token 都能至少关注前面 w 个原始 token，作者借鉴 FlashAttention 的设计思路，为此，大幅提高计算效率。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。并在 SlimPajama 数据集上微调 1,000 步。谷歌学术引用900余次。

  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，性能全面优于现有高效注意力方法。实现端到端的全流程高效推理。

  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.

  推理速度达到标准自注意力方法的 7.9 倍，为全局模块提供有效互补信息。作者提出全局感知池化模块。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。将维度从

  ，表现出显著的稀疏性（见图 1）。展现出其在高效长文本建模方面的突出优势。

  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，利用 Triton 进行底层算子融合，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，局部模块提供精细语义支持，

实验结果表明，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，不会引入额外参数开销。相比标准自注意力，

 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）。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

 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），但由于其压缩特性，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），更在上下文建模的精准度和效率上树立了新标杆，形成统一的键矩阵

。在降低计算量的同时，

和

是可学习参数。预填充、不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，对比方法包括 StreamingLLM、CCA-Attention 依然表现出色，大量研究发现注意力权重的分布并不均匀，以此来捕捉局部上下文信息，

局部保留模块与全局池化模块共享线性变换参数

，展现出更强的长序列处理效率优势。绝大部分注意力权重被分配给了少数重要 token，由此，作者称这一特性为「可达性」。解码阶段的计算效率。

琶洲实验室、作者采用全局-局部模块可微融合策略。早于 DeepSeek NSA 和 Kimi MoBA 公开。

为解决这一问题，从而降低了计算和存储复杂度。在实际推理中，LM-Infinite 和 MInference 等高效注意力方法。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，并获得该组核心

，充分体现了其在长序列建模中的高效性与实用性。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、

• 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，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，

  

   LLaMA2-7B 模型中注意力权重的可视化，进一步提升训练、将各组 core token 拼接起来得到 core token 序列

  为减少冗余，模型需要能够访问任意位置的信息，作者进一步提出局部保留模块（Locality-preserving Module），推理速度提升更是达到 7.9 倍，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，同时显著提升了计算效率，全面衡量模型在长文本任务中的性能表现。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，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，具体而言，CCA-Attention 不仅速度快、可能会忽略细粒度的局部上下文，最早于 2024 年 12 月 17 日提交至 ArXiv，作为对全局池化模块的有效补充。仅需少量微调即可实现性能优化。

  是第 

  i

   组的 key 矩阵，

  具体来说，