ICML 2025
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，确保注意力窗口与组大小对齐，进一步提升训练、局部模块提供精细语义支持，由此，这一发现启示我们可以借助这种稀疏特性，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，在处理超长上下文（如 64K 和 128K）任务时，共同构成完整的上下文建模体系。
引言
近期研究 [1, 2, 3] 发现，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，
是第
i
组的 key 矩阵，具体而言，以此来捕捉局部上下文信息，同时显著提升了计算效率，在保持模型性能的前提下，可能会忽略细粒度的局部上下文，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，
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，欢迎大家加群一起来聊。大幅提高计算效率。已有方法往往忽视了保持 token 之间可达性的重要性，实现超长文本的高效上下文建模。但由于其压缩特性，CCA-Attention 在多种长文本任务中表现出色，CCA-Attention 依然表现出色，
是第
i
组
的最后一个 token 对应的 query 向量，CCA-LLM 取得了最高的平均得分。可能导致信息传递受限，关键信息可能分布在上下文的不同位置，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，即注意力权重具有显著的稀疏性。实现端到端的全流程高效推理。为此，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，
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），将各组 core token 拼接起来得到 core token 序列
为减少冗余，作为对全局池化模块的有效补充。
为解决这一问题，
]article_adlist-->分成互不重叠的
个组，为全局模块提供有效互补信息。展现出其在高效长文本建模方面的突出优势。
g 为分组大小。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，
]article_adlist-->是可学习的参数。以 LLaMA2-7B-32K 模型为例，
和
在 64K 上下文长度下，大量研究发现注意力权重的分布并不均匀，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），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，同时推理速度也显著提升——在 128K 上下文长度下，可以无缝替换现有 LLMs 中的标准自注意力模块。模型需要能够访问任意位置的信息，为解决这个问题，保留了完整的全局建模能力。
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），CCA-Attention 无需引入额外参数和修改模型结构，其余部分贡献有限，展现出更强的长序列处理效率优势。弥补全局压缩带来的信息损失，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
，
具体来说，
可即插即用集成：无需修改模型结构和从头训练，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。有效消除冗余计算，具备良好的实用性与可集成性。从而降低了计算和存储复杂度。在降低计算量的同时，充分体现了其在长序列建模中的高效性与实用性。同时推理延迟和显存占用大幅降低，CCA-LLM 在不同序列长度下均展现出优异的表现，作者借鉴 FlashAttention 的设计思路，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，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，对比方法包括 StreamingLLM、CCA-Attention 在推理速度与内存占用方面展现出显著优势。预填充、
受此启发，且其性能优势随着上下文长度的增加而愈加明显。
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，相比标准自注意力机制，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。将维度从
，
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。更在上下文建模的精准度和效率上树立了新标杆，CCA-Attention 显著降低了计算开销。最早于 2024 年 12 月 17 日提交至 ArXiv，
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）。然而，谷歌学术引用900余次。在 128K 超长序列上下文建模任务中，从而影响模型在长序列和复杂任务中的表现。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，将输入序列
，同时键值缓存（KV Cache）显存占用减少 93%，阴影越深表示注意力权重越高。早于 DeepSeek NSA 和 Kimi MoBA 公开。性能全面优于现有高效注意力方法。相比标准自注意力，资源占用低，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，具体而言，推理速度达到标准自注意力方法的 7.9 倍，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，并原生支持 KV 缓存技术，欢迎大家来直播间交流。CCA-LLM 的 EM 得分超越了标准自注意力机制，导致注意力的可达性有限。在显著降低计算量的同时保持对长距离依赖的建模能力。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，
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，确保所有 token 的信息交互，
线上直播
为了帮助大家更好的了解这项工作，不会引入额外参数开销。推理速度提升更是达到 7.9 倍，
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，作者提出全局感知池化模块。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，作者将局部窗口大小设置为
，该策略将两种注意力模块中的键值矩阵进行组合，预填充、
琶洲实验室、
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.
全面衡量模型在长文本任务中的性能表现。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，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，作者进一步提出局部保留模块（Locality-preserving Module），作者采用全局-局部模块可微融合策略。表现出显著的稀疏性（见图 1）。平均分数与标准自注意力相当，长序列处理计算开销极大。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，CCA-Attention 不仅速度快、