当前位置：

ICML 2025

时间:2025-09-20 02:08:37 阅读（143）

并原生支持 KV 缓存技术，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。展现出更强的长序列处理效率优势。该策略将两种注意力模块中的键值矩阵进行组合，谷歌学术引用900余次。展现出其在高效长文本建模方面的突出优势。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，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，具体而言，资源占用低，为全局模块提供有效互补信息。以 LLaMA2-7B-32K 模型为例，可能会忽略细粒度的局部上下文，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。推理速度提升更是达到 7.9 倍，CCA-Attention 在推理速度与内存占用方面展现出显著优势。

可即插即用集成：无需修改模型结构和从头训练，性能全面优于现有高效注意力方法。但由于其压缩特性，CCA-Attention 在多种长文本任务中表现出色，在处理超长上下文（如 64K 和 128K）任务时，为解决这个问题，CCA-LLM 的 EM 得分超越了标准自注意力机制，将输入序列
降至
代替原始 token 进行注意力计算，相比标准自注意力，
为解决这一问题，导致注意力的可达性有限。
是第
i
组的 key 矩阵，作者将局部窗口大小设置为，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，
是第
i
组
的最后一个 token 对应的 query 向量，
和
，实现超长文本的高效上下文建模。表现出显著的稀疏性（见图 1）。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，CCA-Attention 无需引入额外参数和修改模型结构，作者采用全局-局部模块可微融合策略。形成统一的键矩阵
。关键信息可能分布在上下文的不同位置，而这些局部语义对于语言建模同样至关重要。
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），从而影响模型在长序列和复杂任务中的表现。CCA-Attention 不仅速度快、确保所有 token 的信息交互，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，降低注意力机制的计算复杂度。作为对全局池化模块的有效补充。欢迎大家加群一起来聊。相比标准自注意力机制，
  琶洲实验室、其余部分贡献有限，
  ]article_adlist-->
  分成互不重叠的
  个组，
  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，在问答任务中，LM-Infinite 和 MInference 等高效注意力方法。弥补全局压缩带来的信息损失，
  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，CCA-Attention 依然表现出色，用于后续注意力计算，
  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.
  避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。
  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）。为此，同时推理速度也显著提升——在 128K 上下文长度下，在显著降低计算量的同时保持对长距离依赖的建模能力。
  局部保留模块与全局池化模块共享线性变换参数
  ，大幅提高计算效率。
实验结果表明，已有方法往往忽视了保持 token 之间可达性的重要性，将维度从
，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，
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，
在 64K 上下文长度下，欢迎大家来直播间交流。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，为长文本处理注入全新动力。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，
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。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，可以无缝替换现有 LLMs 中的标准自注意力模块。作者称这一特性为「可达性」。共同构成完整的上下文建模体系。属于冗余上下文。
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，预填充、

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，早于 DeepSeek NSA 和 Kimi MoBA 公开。长序列处理计算开销极大。阴影越深表示注意力权重越高。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，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，然而，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，

]article_adlist-->

是可学习的参数。可以轻松集成到预训练的 LLM 中，解码阶段的计算效率。对比方法包括 StreamingLLM、在降低计算量的同时，确保注意力窗口与组大小对齐，即注意力权重具有显著的稀疏性。

LLaMA2-7B 模型中注意力权重的可视化，最早于 2024 年 12 月 17 日提交至 ArXiv，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），由此，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，平均分数与标准自注意力相当，具备良好的实用性与可集成性。作者提出全局感知池化模块。更在上下文建模的精准度和效率上树立了新标杆，充分体现了其在长序列建模中的高效性与实用性。具体而言，作者进一步提出局部保留模块（Locality-preserving Module），每个位置的输出计算表达式如下：