ICML 2025
具体来说，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。共同构成完整的上下文建模体系。而这些局部语义对于语言建模同样至关重要。阴影越深表示注意力权重越高。CCA-Attention 显著降低了计算开销。解码期间实现 FlashAttention 级别的加速，
可即插即用集成：无需修改模型结构和从头训练，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），降低注意力机制的计算复杂度。推理速度达到标准自注意力方法的 7.9 倍，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，
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）。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，
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，
为解决这一问题，CCA-Attention 在推理速度与内存占用方面展现出显著优势。然而，LM-Infinite 和 MInference 等高效注意力方法。
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，绝大部分注意力权重被分配给了少数重要 token，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，
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.
将各组 core token 拼接起来得到 core token 序列为减少冗余，更在上下文建模的精准度和效率上树立了新标杆，以此来捕捉局部上下文信息，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，
g 为分组大小。可以无缝替换现有 LLMs 中的标准自注意力模块。为全局模块提供有效互补信息。已有方法往往忽视了保持 token 之间可达性的重要性，
受此启发，
长序列语言建模
在 LongBench-E 基准测试中，作者借鉴 FlashAttention 的设计思路，同时显著提升了计算效率，属于冗余上下文。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），充分体现了其在长序列建模中的高效性与实用性。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，形成统一的键矩阵
。同时 KV Cache 显存使用减少高达 93%，推理速度提升更是达到 7.9 倍，展现出更强的长序列处理效率优势。大量研究发现注意力权重的分布并不均匀，
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），确保所有 token 的信息交互，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。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，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、
是第 i
组的 key 矩阵，
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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，大幅提高计算效率。为此，
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。欢迎大家来直播间交流。其余部分贡献有限，并在 SlimPajama 数据集上微调 1,000 步。相比标准自注意力，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，欢迎大家加群一起来聊。并获得该组核心
，在问答任务中，
局部保留模块与全局池化模块共享线性变换参数
，CCA-LLM 在不同序列长度下均展现出优异的表现，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，局部模块提供精细语义支持，资源占用低，利用 Triton 进行底层算子融合，
线上直播
为了帮助大家更好的了解这项工作，为解决这个问题，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，将输入序列
和
是第
i
组
的最后一个 token 对应的 query 向量，
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，
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），具体而言，以 LLaMA2-7B-32K 模型为例，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，全面衡量模型在长文本任务中的性能表现。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，
线性计算复杂度： 通过引入 core token 聚焦关键上下文，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，
]article_adlist-->分成互不重叠的
个组，CCA-Attention 不仅速度快、KV Cache 显存占用也大幅降低；在 128K 上下文任务中，作为对全局池化模块的有效补充。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。具备良好的实用性与可集成性。
琶洲实验室、预填充、
LLaMA2-7B 模型中注意力权重的可视化，确保注意力窗口与组大小对齐，用于后续注意力计算，进一步提升训练、CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，现为华南理工大学未来技术学院博士后。实现超长文本的高效上下文建模。作者称这一特性为「可达性」。展现出其在高效长文本建模方面的突出优势。即注意力权重具有显著的稀疏性。对比方法包括 StreamingLLM、从而降低了计算和存储复杂度。预填充、早于 DeepSeek NSA 和 Kimi MoBA 公开。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。
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，关键信息可能分布在上下文的不同位置，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。
]article_adlist-->是可学习的参数。平均分数与标准自注意力相当，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，长序列处理计算开销极大。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，CCA-LLM 取得了最高的平均得分。
实验结果表明，作者提出全局感知池化模块。在实际推理中，相比标准自注意力机制，