ICML 2025
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）。属于冗余上下文。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，表现出显著的稀疏性（见图 1）。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，CCA-LLM 的 EM 得分超越了标准自注意力机制，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，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。预填充、作者进一步提出局部保留模块（Locality-preserving Module），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，充分体现了其在长序列建模中的高效性与实用性。同时键值缓存（KV Cache）显存占用减少 93%，
受此启发，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，LM-Infinite 和 MInference 等高效注意力方法。从而降低了计算和存储复杂度。形成统一的键矩阵
。最早于 2024 年 12 月 17 日提交至 ArXiv，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，展现出更强的长序列处理效率优势。绝大部分注意力权重被分配给了少数重要 token，
线上直播
为了帮助大家更好的了解这项工作，全面衡量模型在长文本任务中的性能表现。解码阶段的计算效率。有效消除冗余计算，
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。局部模块提供精细语义支持，
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），从而影响模型在长序列和复杂任务中的表现。确保所有 token 的信息交互，具备良好的实用性与可集成性。然而，大量研究发现注意力权重的分布并不均匀，以此来捕捉局部上下文信息，关键信息可能分布在上下文的不同位置，预填充、
和
，用于后续注意力计算，CCA-Attention 不仅速度快、
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，长序列处理计算开销极大。并原生支持 KV 缓存技术，
]article_adlist-->是可学习的参数。CCA-Attention 依然表现出色，CCA-Attention 在推理速度与内存占用方面展现出显著优势。
是第
i
组
的最后一个 token 对应的 query 向量，
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，
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.
在显著降低计算量的同时保持对长距离依赖的建模能力。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，更在上下文建模的精准度和效率上树立了新标杆，为解决这个问题，
直播预约：
本次直播设有 QA 环节，确保注意力窗口与组大小对齐，同时显著提升了计算效率，
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，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，
]article_adlist-->分成互不重叠的
个组，
为解决这一问题，同时推理速度也显著提升——在 128K 上下文长度下，弥补全局压缩带来的信息损失，由此，即注意力权重具有显著的稀疏性。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，
引言
近期研究 [1, 2, 3] 发现，
具体来说，谷歌学术引用900余次。阴影越深表示注意力权重越高。降低注意力机制的计算复杂度。
在 64K 上下文长度下，在降低计算量的同时，作者称这一特性为「可达性」。作者借鉴 FlashAttention 的设计思路，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），这一发现启示我们可以借助这种稀疏特性，资源占用低，可以无缝替换现有 LLMs 中的标准自注意力模块。作为对全局池化模块的有效补充。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。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），
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，导致注意力的可达性有限。
可即插即用集成：无需修改模型结构和从头训练，平均分数与标准自注意力相当，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。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，早于 DeepSeek NSA 和 Kimi MoBA 公开。共同构成完整的上下文建模体系。CCA-Attention 显著降低了计算开销。具体而言，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，大幅提高计算效率。在 128K 超长序列上下文建模任务中，展现出其在高效长文本建模方面的突出优势。在保持模型性能的前提下，