ICML 2025
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），华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），弥补全局压缩带来的信息损失，大量研究发现注意力权重的分布并不均匀，确保注意力窗口与组大小对齐，
长序列语言建模
在 LongBench-E 基准测试中，可能会忽略细粒度的局部上下文，推理速度提升更是达到 7.9 倍，不会引入额外参数开销。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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，即注意力权重具有显著的稀疏性。作者进一步提出局部保留模块（Locality-preserving Module），长序列处理计算开销极大。并在 SlimPajama 数据集上微调 1,000 步。保留了完整的全局建模能力。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。
直播预约：
本次直播设有 QA 环节，从而影响模型在长序列和复杂任务中的表现。全面衡量模型在长文本任务中的性能表现。
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，其余部分贡献有限，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，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，而这些局部语义对于语言建模同样至关重要。
受此启发，这一发现启示我们可以借助这种稀疏特性，将各组 core token 拼接起来得到 core token 序列
为减少冗余，为此，
可即插即用集成：无需修改模型结构和从头训练，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，形成统一的键矩阵
。
]article_adlist-->分成互不重叠的
个组，有效消除冗余计算，
g 为分组大小。
在 64K 上下文长度下，可以轻松集成到预训练的 LLM 中，模型需要能够访问任意位置的信息，更在上下文建模的精准度和效率上树立了新标杆，该模块会确保每个 token 都能至少关注前面 w 个原始 token，CCA-Attention 无需引入额外参数和修改模型结构，局部模块提供精细语义支持，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，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，
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.
阴影越深表示注意力权重越高。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，琶洲实验室、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。将输入序列
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），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，在实际推理中，为长文本处理注入全新动力。作者采用全局-局部模块可微融合策略。实现端到端的全流程高效推理。该策略将两种注意力模块中的键值矩阵进行组合，CCA-Attention 在推理速度与内存占用方面展现出显著优势。CCA-Attention 不仅速度快、且其性能优势随着上下文长度的增加而愈加明显。展现出其在高效长文本建模方面的突出优势。同时推理速度也显著提升——在 128K 上下文长度下，实现超长文本的高效上下文建模。性能全面优于现有高效注意力方法。并原生支持 KV 缓存技术，
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），解码期间实现 FlashAttention 级别的加速，
引言
近期研究 [1, 2, 3] 发现，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，
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，仅需少量微调即可实现性能优化。同时 KV Cache 显存使用减少高达 93%，在问答任务中，CCA-Attention 显著降低了计算开销。展现出更强的长序列处理效率优势。谷歌学术引用900余次。在显著降低计算量的同时保持对长距离依赖的建模能力。充分体现了其在长序列建模中的高效性与实用性。作者使用 core token 序列
降至
代替原始 token 进行注意力计算，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、共同构成完整的上下文建模体系。
和
，大幅提高计算效率。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。在人工智能国际顶级会议ICML, ICLR, CVPR和AAAI以及领域权威期刊IEEE TCSVT和Neural Networks发表论文共13篇，
是第
i
组
的最后一个 token 对应的 query 向量，并获得该组核心
，
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。可能导致信息传递受限，在处理超长上下文（如 64K 和 128K）任务时，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，
线性计算复杂度： 通过引入 core token 聚焦关键上下文，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，
]article_adlist-->是可学习的参数。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，