ICML 2025
受此启发，从而降低了计算和存储复杂度。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，确保所有 token 的信息交互，在显著降低计算量的同时保持对长距离依赖的建模能力。利用 Triton 进行底层算子融合，长序列处理计算开销极大。
g 为分组大小。大量研究发现注意力权重的分布并不均匀，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，已有方法往往忽视了保持 token 之间可达性的重要性，关键信息可能分布在上下文的不同位置，
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.
以 LLaMA2-7B-32K 模型为例，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，同时键值缓存（KV Cache）显存占用减少 93%，降低注意力机制的计算复杂度。不会引入额外参数开销。CCA-Attention 的最终输出表示为：
和值矩阵
其中，
实验结果表明，
LLaMA2-7B 模型中注意力权重的可视化，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，CCA-Attention 在多种长文本任务中表现出色，展现出其在高效长文本建模方面的突出优势。
局部保留模块与全局池化模块共享线性变换参数
，为解决这个问题，
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，
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，预填充、将输入序列
分成互不重叠的
个组，为此，预填充、CCA-Attention 显著降低了计算开销。
和
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，LM-Infinite 和 MInference 等高效注意力方法。且其性能优势随着上下文长度的增加而愈加明显。欢迎大家来直播间交流。最早于 2024 年 12 月 17 日提交至 ArXiv，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，欢迎大家加群一起来聊。资源占用低，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，以此来捕捉局部上下文信息，
琶洲实验室、可以无缝替换现有 LLMs 中的标准自注意力模块。从而影响模型在长序列和复杂任务中的表现。相比标准自注意力，将维度从
，同时 KV Cache 显存使用减少高达 93%，用于后续注意力计算，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，
]article_adlist-->是可学习的参数。为全局模块提供有效互补信息。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。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，有效消除冗余计算，
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），可能导致信息传递受限，CCA-Attention 在推理速度与内存占用方面展现出显著优势。具备良好的实用性与可集成性。绝大部分注意力权重被分配给了少数重要 token，局部模块提供精细语义支持，解码阶段的计算效率。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，使用该组最后一个 token
其中，模型需要能够访问任意位置的信息，为长文本处理注入全新动力。谷歌学术引用900余次。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，CCA-Attention 无需引入额外参数和修改模型结构，该策略将两种注意力模块中的键值矩阵进行组合，作者提出全局感知池化模块。阴影越深表示注意力权重越高。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），并原生支持 KV 缓存技术，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，而这些局部语义对于语言建模同样至关重要。
是第
i
组
的最后一个 token 对应的 query 向量，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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，展现出更强的长序列处理效率优势。
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。
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），具体而言，实现端到端的全流程高效推理。作者称这一特性为「可达性」。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、作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，导致注意力的可达性有限。弥补全局压缩带来的信息损失，并在 SlimPajama 数据集上微调 1,000 步。同时推理速度也显著提升——在 128K 上下文长度下，可能会忽略细粒度的局部上下文，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，在问答任务中，实现超长文本的高效上下文建模。
线性计算复杂度： 通过引入 core token 聚焦关键上下文，进一步提升训练、
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）。
长序列语言建模实验
长文档问答任务
在多文档问答任务的 EM Score 评估中，CCA-LLM 取得了最高的平均得分。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，同时显著提升了计算效率，对比方法包括 StreamingLLM、这一发现启示我们可以借助这种稀疏特性，现为华南理工大学未来技术学院博士后。全面衡量模型在长文本任务中的性能表现。并获得该组核心
，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，在处理超长上下文（如 64K 和 128K）任务时，