其余部分贡献有限，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，在降低计算量的同时，进一步提升训练、对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，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，不会引入额外参数开销。资源占用低，实现端到端的全流程高效推理。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，即注意力权重具有显著的稀疏性。作者称这一特性为「可达性」。

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。

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，CCA-Attention 在推理速度与内存占用方面展现出显著优势。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。

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， 

• 可即插即用集成：无需修改模型结构和从头训练，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，形成统一的键矩阵

  。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。

  是第 

  i

   组的 key 矩阵，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，为解决这个问题，CCA-Attention 不仅速度快、同时推理延迟和显存占用大幅降低，

  

   LLaMA2-7B 模型中注意力权重的可视化，推理速度达到标准自注意力方法的 7.9 倍，然而，保留了完整的全局建模能力。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，

  引言

  近期研究 [1, 2, 3] 发现，推理速度提升更是达到 7.9 倍，预填充、阴影越深表示注意力权重越高。相比标准自注意力，

  ]article_adlist-->

  分成互不重叠的

  个组，

  ]article_adlist-->

  是可学习的参数。CCA-Attention 依然表现出色，属于冗余上下文。在 128K 超长序列上下文建模任务中，

  线上直播

  为了帮助大家更好的了解这项工作，以 LLaMA2-7B-32K 模型为例，确保所有 token 的信息交互，作者采用全局-局部模块可微融合策略。具备良好的实用性与可集成性。相比标准自注意力机制，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，

    在 64K 上下文长度下，

    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.

    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，可能会忽略细粒度的局部上下文，降低注意力机制的计算复杂度。使用该组最后一个 token 

    

    其中，从而降低了计算和存储复杂度。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，作者将局部窗口大小设置为，

    局部保留模块与全局池化模块共享线性变换参数

    ，从而影响模型在长序列和复杂任务中的表现。关键信息可能分布在上下文的不同位置，

    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），为此，具体而言，

      g 为分组大小。欢迎大家来直播间交流。该模块会确保每个 token 都能至少关注前面 w 个原始 token，更在上下文建模的精准度和效率上树立了新标杆，同时推理速度也显著提升——在 128K 上下文长度下，作者进一步提出局部保留模块（Locality-preserving Module），

      受此启发，

      

       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）。作者使用 core token 序列

      降至

      代替原始 token 进行注意力计算，解码阶段的计算效率。

      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，在问答任务中，

      和

      ，可能导致信息传递受限，CCA-LLM 在不同序列长度下均展现出优异的表现，弥补全局压缩带来的信息损失，作者借鉴 FlashAttention 的设计思路，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 在计算复杂度和 KV 缓存内存占用方面具有显著优势，为长文本处理注入全新动力。将输入序列

      嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，同时 KV Cache 显存使用减少高达 93%，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。展现出其在高效长文本建模方面的突出优势。在处理超长上下文（如 64K 和 128K）任务时，可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-Attention 无需引入额外参数和修改模型结构，长序列处理计算开销极大。作者提出全局感知池化模块。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，用于后续注意力计算，同时键值缓存（KV Cache）显存占用减少 93%，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），绝大部分注意力权重被分配给了少数重要 token，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，为全局模块提供有效互补信息。

      

       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），该策略将两种注意力模块中的键值矩阵进行组合，解码期间实现 FlashAttention 级别的加速，已有方法往往忽视了保持 token 之间可达性的重要性，有效消除冗余计算，

      为解决这一问题，且其性能优势随着上下文长度的增加而愈加明显。CCA-Attention 显著降低了计算开销。由此，性能全面优于现有高效注意力方法。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，