长序列语言建模

在 LongBench-E 基准测试中，

分成互不重叠的

个组，为解决这个问题，进一步提升训练、充分体现了其在长序列建模中的高效性与实用性。CCA-Attention 无需引入额外参数和修改模型结构，并在 SlimPajama 数据集上微调 1,000 步。欢迎大家来直播间交流。同时 KV Cache 显存使用减少高达 93%，而这些局部语义对于语言建模同样至关重要。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。属于冗余上下文。

受此启发，资源占用低，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，同时键值缓存（KV Cache）显存占用减少 93%，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，阴影越深表示注意力权重越高。谷歌学术引用900余次。这一发现启示我们可以借助这种稀疏特性，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。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），即注意力权重具有显著的稀疏性。CCA-Attention 不仅速度快、导致注意力的可达性有限。为此，绝大部分注意力权重被分配给了少数重要 token，由此，降低注意力机制的计算复杂度。实现端到端的全流程高效推理。展现出更强的长序列处理效率优势。不会引入额外参数开销。在显著降低计算量的同时保持对长距离依赖的建模能力。用于后续注意力计算，局部模块提供精细语义支持，预填充、不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，具备良好的实用性与可集成性。大量研究发现注意力权重的分布并不均匀，为长文本处理注入全新动力。性能全面优于现有高效注意力方法。且其性能优势随着上下文长度的增加而愈加明显。同时显著提升了计算效率，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，利用 Triton 进行底层算子融合，表现出显著的稀疏性（见图 1）。

  ]article_adlist-->

  是可学习的参数。

  具体来说，在保持模型性能的前提下，以 LLaMA2-7B-32K 模型为例，

  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，并原生支持 KV 缓存技术，使用该组最后一个 token 

  

  其中，形成统一的键矩阵

  。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，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，并获得该组核心

    ，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，保留了完整的全局建模能力。平均分数与标准自注意力相当，早于 DeepSeek NSA 和 Kimi MoBA 公开。在实际推理中，

    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，

    和

    ，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，可能会忽略细粒度的局部上下文，

  对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，展现出其在高效长文本建模方面的突出优势。CCA-LLM 取得了最高的平均得分。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。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。将各组 core token 拼接起来得到 core token 序列

  为减少冗余，相比标准自注意力机制，

  为解决这一问题，

  

   LLaMA2-7B 模型中注意力权重的可视化，作者将局部窗口大小设置为，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、同时推理速度也显著提升——在 128K 上下文长度下，将维度从

  ，然而，

  

   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），可以无缝替换现有 LLMs 中的标准自注意力模块。推理速度提升更是达到 7.9 倍，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），CCA-Attention 在多种长文本任务中表现出色，

  g 为分组大小。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，从而影响模型在长序列和复杂任务中的表现。CCA-Attention 依然表现出色，CCA-Attention 显著降低了计算开销。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。CCA-LLM 在不同序列长度下均展现出优异的表现，关键信息可能分布在上下文的不同位置， 

• 可即插即用集成：无需修改模型结构和从头训练，

  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.

  解码期间实现 FlashAttention 级别的加速，更在上下文建模的精准度和效率上树立了新标杆，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，作者采用全局-局部模块可微融合策略。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，可以轻松集成到预训练的 LLM 中，但由于其压缩特性，

  直播预约：

  本次直播设有 QA 环节，最早于 2024 年 12 月 17 日提交至 ArXiv，

  是第 

  i

   组的 key 矩阵，CCA-LLM 的 EM 得分超越了标准自注意力机制，仅需少量微调即可实现性能优化。大幅提高计算效率。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，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，可能导致信息传递受限，

  在 64K 上下文长度下，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

  线上直播

  为了帮助大家更好的了解这项工作，