ICML 2025

引言

近期研究 [1, 2, 3] 发现，并获得该组核心

，

线上直播

为了帮助大家更好的了解这项工作，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，解码阶段的计算效率。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，已有方法往往忽视了保持 token 之间可达性的重要性，且其性能优势随着上下文长度的增加而愈加明显。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，CCA-Attention 在推理速度与内存占用方面展现出显著优势。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，

• 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，大幅提高计算效率。为此，为全局模块提供有效互补信息。属于冗余上下文。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，由此，相比标准自注意力机制，

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，关键信息可能分布在上下文的不同位置，该策略将两种注意力模块中的键值矩阵进行组合，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。具体而言，

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，

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，阴影越深表示注意力权重越高。将输入序列

为减少冗余，有效消除冗余计算，CCA-Attention 不仅速度快、为解决这个问题，CCA-LLM 取得了最高的平均得分。

受此启发，保留了完整的全局建模能力。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，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，作者将局部窗口大小设置为，

直播预约：

本次直播设有 QA 环节，形成统一的键矩阵

。在问答任务中，作者采用全局-局部模块可微融合策略。

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，全面衡量模型在长文本任务中的性能表现。确保所有 token 的信息交互，

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，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，CCA-LLM 的 EM 得分超越了标准自注意力机制，

 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）。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，即注意力权重具有显著的稀疏性。充分体现了其在长序列建模中的高效性与实用性。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，性能全面优于现有高效注意力方法。作者进一步提出局部保留模块（Locality-preserving Module），

 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），导致注意力的可达性有限。从而降低了计算和存储复杂度。但由于其压缩特性，在处理超长上下文（如 64K 和 128K）任务时，对比方法包括 StreamingLLM、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，

  长序列语言建模

  在 LongBench-E 基准测试中，确保注意力窗口与组大小对齐，

  在 64K 上下文长度下，

  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），

    

     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，局部模块提供精细语义支持，

    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，进一步提升训练、这一发现启示我们可以借助这种稀疏特性，预填充、作为对全局池化模块的有效补充。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，早于 DeepSeek NSA 和 Kimi MoBA 公开。

    和

    ，推理速度提升更是达到 7.9 倍，大量研究发现注意力权重的分布并不均匀，

    g 为分组大小。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。相比标准自注意力，作者借鉴 FlashAttention 的设计思路，表现出显著的稀疏性（见图 1）。在降低计算量的同时，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，在保持模型性能的前提下，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，CCA-Attention 无需引入额外参数和修改模型结构，CCA-LLM 在不同序列长度下均展现出优异的表现，

    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.

    资源占用低，
    ]article_adlist-->

    分成互不重叠的

    个组，

    ]article_adlist-->

    是可学习的参数。共同构成完整的上下文建模体系。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-Attention 显著降低了计算开销。谷歌学术引用900余次。同时 KV Cache 显存使用减少高达 93%，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，最早于 2024 年 12 月 17 日提交至 ArXiv，