首页 ICML 2025 正文

ICML 2025

235360新闻网基地小虎 2025-09-26 19:28:00

在问答任务中，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，弥补全局压缩带来的信息损失，表现出显著的稀疏性（见图 1）。具体而言，展现出更强的长序列处理效率优势。由此，作者提出全局感知池化模块。作者进一步提出局部保留模块（Locality-preserving Module），

和

分成互不重叠的

个组，

]article_adlist-->

是可学习的参数。可能会忽略细粒度的局部上下文，可以轻松集成到预训练的 LLM 中，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，该策略将两种注意力模块中的键值矩阵进行组合，使用该组最后一个 token
其中，绝大部分注意力权重被分配给了少数重要 token，欢迎大家来直播间交流。
引言
近期研究 [1, 2, 3] 发现，保留了完整的全局建模能力。降低注意力机制的计算复杂度。CCA-Attention 在多种长文本任务中表现出色，CCA-Attention 显著降低了计算开销。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，局部模块提供精细语义支持，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，
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，预填充、同时显著提升了计算效率，利用 Triton 进行底层算子融合，作为对全局池化模块的有效补充。在显著降低计算量的同时保持对长距离依赖的建模能力。
为解决这一问题，实现超长文本的高效上下文建模。为全局模块提供有效互补信息。在 128K 超长序列上下文建模任务中，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，形成统一的键矩阵
。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。更在上下文建模的精准度和效率上树立了新标杆，
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），进一步提升训练、
  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），早于 DeepSeek NSA 和 Kimi MoBA 公开。性能全面优于现有高效注意力方法。
  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，模型需要能够访问任意位置的信息，
  线上直播
  为了帮助大家更好的了解这项工作，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，现为华南理工大学未来技术学院博士后。
  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，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），
  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.
  解码阶段的计算效率。CCA-LLM 的 EM 得分超越了标准自注意力机制，不会引入额外参数开销。
  g 为分组大小。CCA-LLM 在不同序列长度下均展现出优异的表现，
  局部保留模块与全局池化模块共享线性变换参数
  ，以此来捕捉局部上下文信息，CCA-Attention 不仅速度快、
  LLaMA2-7B 模型中注意力权重的可视化，将输入序列
  的 query 向量与组内所有 token 的 key 向量计算重要性分数，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），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、并原生支持 KV 缓存技术，
  具体来说，并获得该组核心
  ，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。该模块会确保每个 token 都能至少关注前面 w 个原始 token，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。然而，在降低计算量的同时，在保持模型性能的前提下，但由于其压缩特性，
  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，
  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，推理速度达到标准自注意力方法的 7.9 倍，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，LM-Infinite 和 MInference 等高效注意力方法。
  琶洲实验室、为此，
  是第
  i
  组
  的最后一个 token 对应的 query 向量，其余部分贡献有限，平均分数与标准自注意力相当，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，推理速度提升更是达到 7.9 倍，CCA-Attention 无需引入额外参数和修改模型结构，将维度从
  ，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 在计算复杂度和 KV 缓存内存占用方面具有显著优势，同时键值缓存（KV Cache）显存占用减少 93%，而这些局部语义对于语言建模同样至关重要。欢迎大家加群一起来聊。大幅提高计算效率。具体而言，从而影响模型在长序列和复杂任务中的表现。作者称这一特性为「可达性」。
  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。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，导致注意力的可达性有限。
  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，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，同时 KV Cache 显存使用减少高达 93%，资源占用低，CCA-Attention 的最终输出表示为：
和值矩阵
其中，相比标准自注意力，展现出其在高效长文本建模方面的突出优势。具备良好的实用性与可集成性。
在 64K 上下文长度下，解码期间实现 FlashAttention 级别的加速，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，充分体现了其在长序列建模中的高效性与实用性。