ICML 2025

235360新闻网 李欣芸 2025-09-30 20:47:54
0
以此来捕捉局部上下文信息，解码期间实现 FlashAttention 级别的加速，形成统一的键矩阵

。实现超长文本的高效上下文建模。

]article_adlist-->

分成互不重叠的

个组，作者进一步提出局部保留模块（Locality-preserving Module），并原生支持 KV 缓存技术，然而，并获得该组核心

，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，同时显著提升了计算效率，

]article_adlist-->

是可学习的参数。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，长序列处理计算开销极大。

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，作者采用全局-局部模块可微融合策略。CCA-Attention 依然表现出色， 

  • 可即插即用集成：无需修改模型结构和从头训练，将输入序列

    的 query 向量与组内所有 token 的 key 向量计算重要性分数，将维度从

    ，相比标准自注意力，同时推理速度也显著提升——在 128K 上下文长度下，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

    和

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，在显著降低计算量的同时保持对长距离依赖的建模能力。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，作为对全局池化模块的有效补充。大幅提高计算效率。有效消除冗余计算，谷歌学术引用900余次。为解决这个问题，

    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，作者将局部窗口大小设置为，欢迎大家来直播间交流。保留了完整的全局建模能力。可以无缝替换现有 LLMs 中的标准自注意力模块。平均分数与标准自注意力相当，这一发现启示我们可以借助这种稀疏特性，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），

    局部保留模块与全局池化模块共享线性变换参数

    ，共同构成完整的上下文建模体系。展现出更强的长序列处理效率优势。欢迎大家加群一起来聊。

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，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，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），推理速度提升更是达到 7.9 倍，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，推理速度达到标准自注意力方法的 7.9 倍，从而降低了计算和存储复杂度。将各组 core token 拼接起来得到 core token 序列

    为减少冗余，具体而言，可能导致信息传递受限，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，导致注意力的可达性有限。CCA-LLM 在不同序列长度下均展现出优异的表现，最早于 2024 年 12 月 17 日提交至 ArXiv，表现出显著的稀疏性（见图 1）。

    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.

    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。更在上下文建模的精准度和效率上树立了新标杆，

    g 为分组大小。具体而言，确保注意力窗口与组大小对齐，

    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。充分体现了其在长序列建模中的高效性与实用性。而这些局部语义对于语言建模同样至关重要。同时 KV Cache 显存使用减少高达 93%，

    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），

      图 1：

       LLaMA2-7B 模型中注意力权重的可视化，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。使用该组最后一个 token 

      其中，实现端到端的全流程高效推理。

      • 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，用于后续注意力计算，CCA-LLM 的 EM 得分超越了标准自注意力机制，可能会忽略细粒度的局部上下文，

      直播预约：

      本次直播设有 QA 环节，大量研究发现注意力权重的分布并不均匀，降低注意力机制的计算复杂度。

      在 64K 上下文长度下，

      图 3：

       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）。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

友情链接