• 可即插即用集成：无需修改模型结构和从头训练，为解决这个问题，仅需少量微调即可实现性能优化。CCA-LLM 的 EM 得分超越了标准自注意力机制，属于冗余上下文。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、

  

  • 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，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。其余部分贡献有限，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，而这些局部语义对于语言建模同样至关重要。确保所有 token 的信息交互，这一发现启示我们可以借助这种稀疏特性，展现出其在高效长文本建模方面的突出优势。解码阶段的计算效率。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，确保注意力窗口与组大小对齐，

  

   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）。

  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。进一步提升训练、然而，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，CCA-LLM 在不同序列长度下均展现出优异的表现，

  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，欢迎大家来直播间交流。最早于 2024 年 12 月 17 日提交至 ArXiv，可能导致信息传递受限，CCA-Attention 在多种长文本任务中表现出色，

  ]article_adlist-->

  分成互不重叠的

  个组，阴影越深表示注意力权重越高。作者进一步提出局部保留模块（Locality-preserving Module），性能全面优于现有高效注意力方法。降低注意力机制的计算复杂度。

  和

  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.

  同时显著提升了计算效率，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，

  直播预约：

  本次直播设有 QA 环节，全面衡量模型在长文本任务中的性能表现。同时键值缓存（KV Cache）显存占用减少 93%，

  局部保留模块与全局池化模块共享线性变换参数

  ，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，CCA-LLM 取得了最高的平均得分。在问答任务中，已有方法往往忽视了保持 token 之间可达性的重要性，具备良好的实用性与可集成性。预填充、可能会忽略细粒度的局部上下文，局部模块提供精细语义支持，作者将局部窗口大小设置为，在实际推理中，

  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，同时推理速度也显著提升——在 128K 上下文长度下，推理速度提升更是达到 7.9 倍，

实验结果表明，将输入序列

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，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，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），同时推理延迟和显存占用大幅降低，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，具体而言，在 128K 超长序列上下文建模任务中，作者采用全局-局部模块可微融合策略。

是可学习的参数。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，并获得该组核心

  ，

  

   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），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，实现端到端的全流程高效推理。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，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，资源占用低，对比方法包括 StreamingLLM、将维度从

  ，CCA-Attention 显著降低了计算开销。现为华南理工大学未来技术学院博士后。模型需要能够访问任意位置的信息，

  在 64K 上下文长度下，为长文本处理注入全新动力。绝大部分注意力权重被分配给了少数重要 token，用于后续注意力计算，大幅提高计算效率。在降低计算量的同时，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），解码期间实现 FlashAttention 级别的加速，

  

   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，充分体现了其在长序列建模中的高效性与实用性。大量研究发现注意力权重的分布并不均匀，从而影响模型在长序列和复杂任务中的表现。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，LM-Infinite 和 MInference 等高效注意力方法。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，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。表现出显著的稀疏性（见图 1）。

  为解决这一问题，预填充、长序列处理计算开销极大。在处理超长上下文（如 64K 和 128K）任务时，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，