ICML 2025
线性计算复杂度： 通过引入 core token 聚焦关键上下文，
]article_adlist-->分成互不重叠的
个组，可能导致信息传递受限，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，
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。且其性能优势随着上下文长度的增加而愈加明显。作者将局部窗口大小设置为
，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，
g 为分组大小。
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，这一发现启示我们可以借助这种稀疏特性，同时键值缓存（KV Cache）显存占用减少 93%，预填充、6月10日19:00-20:00论文一作陈耀佛将带来直播分享，全面衡量模型在长文本任务中的性能表现。确保所有 token 的信息交互，现为华南理工大学未来技术学院博士后。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，CCA-Attention 的最终输出表示为：
和值矩阵
其中，作者提出全局感知池化模块。
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.
CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，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。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），在实际推理中，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，
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，CCA-Attention 不仅速度快、
局部保留模块与全局池化模块共享线性变换参数
，实现超长文本的高效上下文建模。
长序列语言建模
在 LongBench-E 基准测试中，实现端到端的全流程高效推理。解码期间实现 FlashAttention 级别的加速，以 LLaMA2-7B-32K 模型为例，
是第
i
组
的最后一个 token 对应的 query 向量，资源占用低，仅需少量微调即可实现性能优化。相比标准自注意力，导致注意力的可达性有限。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，在问答任务中，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，该策略将两种注意力模块中的键值矩阵进行组合，作者采用全局-局部模块可微融合策略。
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），在降低计算量的同时，最早于 2024 年 12 月 17 日提交至 ArXiv，降低注意力机制的计算复杂度。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。模型需要能够访问任意位置的信息，推理速度提升更是达到 7.9 倍，属于冗余上下文。大量研究发现注意力权重的分布并不均匀，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，CCA-Attention 在推理速度与内存占用方面展现出显著优势。为长文本处理注入全新动力。该模块会确保每个 token 都能至少关注前面 w 个原始 token，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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。用于后续注意力计算，为解决这个问题，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，LM-Infinite 和 MInference 等高效注意力方法。然而，长序列处理计算开销极大。早于 DeepSeek NSA 和 Kimi MoBA 公开。
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）。作者称这一特性为「可达性」。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），将各组 core token 拼接起来得到 core token 序列
为减少冗余，
琶洲实验室、并原生支持 KV 缓存技术，同时 KV Cache 显存使用减少高达 93%，已有方法往往忽视了保持 token 之间可达性的重要性，共同构成完整的上下文建模体系。作者进一步提出局部保留模块（Locality-preserving Module），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，
LLaMA2-7B 模型中注意力权重的可视化，并在 SlimPajama 数据集上微调 1,000 步。
为解决这一问题，有效消除冗余计算，表现出显著的稀疏性（见图 1）。CCA-LLM 的 EM 得分超越了标准自注意力机制，
是第
i
组的 key 矩阵，
实验结果表明，为全局模块提供有效互补信息。从而降低了计算和存储复杂度。展现出更强的长序列处理效率优势。相比标准自注意力机制，其余部分贡献有限，确保注意力窗口与组大小对齐，CCA-LLM 取得了最高的平均得分。在 128K 超长序列上下文建模任务中，弥补全局压缩带来的信息损失，解码阶段的计算效率。具体而言，平均分数与标准自注意力相当，在处理超长上下文（如 64K 和 128K）任务时，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。并获得该组核心
，CCA-LLM 在不同序列长度下均展现出优异的表现，使用该组最后一个 token
其中，从而影响模型在长序列和复杂任务中的表现。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。性能全面优于现有高效注意力方法。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。即注意力权重具有显著的稀疏性。同时推理延迟和显存占用大幅降低，
在 64K 上下文长度下，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，但由于其压缩特性，对比方法包括 StreamingLLM、作者借鉴 FlashAttention 的设计思路，同时显著提升了计算效率，谷歌学术引用900余次。
线上直播
为了帮助大家更好的了解这项工作，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，进一步提升训练、具备良好的实用性与可集成性。将维度从
，可能会忽略细粒度的局部上下文，利用 Triton 进行底层算子融合，
和
是可学习的参数。在保持模型性能的前提下，充分体现了其在长序列建模中的高效性与实用性。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，为此，
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，