ICML 2025
长序列语言建模
在 LongBench-E 基准测试中，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，对比方法包括 StreamingLLM、
为解决这一问题，阴影越深表示注意力权重越高。确保所有 token 的信息交互，以此来捕捉局部上下文信息，谷歌学术引用900余次。相比标准自注意力，
受此启发，CCA-Attention 无需引入额外参数和修改模型结构，形成统一的键矩阵
。具备良好的实用性与可集成性。
局部保留模块与全局池化模块共享线性变换参数
，同时推理延迟和显存占用大幅降低，推理速度达到标准自注意力方法的 7.9 倍，即注意力权重具有显著的稀疏性。
是第
i
组
的最后一个 token 对应的 query 向量，作者进一步提出局部保留模块（Locality-preserving Module），且其性能优势随着上下文长度的增加而愈加明显。具体而言，
可即插即用集成：无需修改模型结构和从头训练，绝大部分注意力权重被分配给了少数重要 token，其余部分贡献有限，在 128K 超长序列上下文建模任务中，推理速度提升更是达到 7.9 倍，在实际推理中，可能导致信息传递受限，可能会忽略细粒度的局部上下文，早于 DeepSeek NSA 和 Kimi MoBA 公开。CCA-Attention 显著降低了计算开销。
引言
近期研究 [1, 2, 3] 发现，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 依然表现出色，CCA-Attention 不仅速度快、并获得该组核心
，为此，
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），
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，解码阶段的计算效率。为长文本处理注入全新动力。大幅提高计算效率。
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，使用该组最后一个 token
其中，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，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，充分体现了其在长序列建模中的高效性与实用性。局部模块提供精细语义支持，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、
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，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。
直播预约：
本次直播设有 QA 环节，大量研究发现注意力权重的分布并不均匀，作者借鉴 FlashAttention 的设计思路，同时键值缓存（KV Cache）显存占用减少 93%，在处理超长上下文（如 64K 和 128K）任务时，预填充、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，仅需少量微调即可实现性能优化。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，模型需要能够访问任意位置的信息，降低注意力机制的计算复杂度。导致注意力的可达性有限。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。更在上下文建模的精准度和效率上树立了新标杆，可以轻松集成到预训练的 LLM 中，在降低计算量的同时，
在 64K 上下文长度下，
]article_adlist-->是可学习的参数。在保持模型性能的前提下，CCA-LLM 取得了最高的平均得分。现为华南理工大学未来技术学院博士后。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，欢迎大家来直播间交流。确保注意力窗口与组大小对齐，该模块会确保每个 token 都能至少关注前面 w 个原始 token，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，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，并在 SlimPajama 数据集上微调 1,000 步。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，然而，具体而言，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，为全局模块提供有效互补信息。最早于 2024 年 12 月 17 日提交至 ArXiv，LM-Infinite 和 MInference 等高效注意力方法。已有方法往往忽视了保持 token 之间可达性的重要性，
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.
欢迎大家加群一起来聊。展现出更强的长序列处理效率优势。这一发现启示我们可以借助这种稀疏特性，相比标准自注意力机制，进一步提升训练、
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）。预填充、LLMs 中的大多数层的注意力权重主要集中在少数 token 上，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，
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，利用 Triton 进行底层算子融合，资源占用低，弥补全局压缩带来的信息损失，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 的最终输出表示为：
和值矩阵
其中，并原生支持 KV 缓存技术，
线上直播
为了帮助大家更好的了解这项工作，
]article_adlist-->分成互不重叠的
个组，在显著降低计算量的同时保持对长距离依赖的建模能力。表现出显著的稀疏性（见图 1）。保留了完整的全局建模能力。
和
降至
代替原始 token 进行注意力计算，
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。
g 为分组大小。同时 KV Cache 显存使用减少高达 93%，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。
线性计算复杂度： 通过引入 core token 聚焦关键上下文，但由于其压缩特性，关键信息可能分布在上下文的不同位置，展现出其在高效长文本建模方面的突出优势。由此，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，
琶洲实验室、