-
可即插即用集成：无需修改模型结构和从头训练，但由于其压缩特性，弥补全局压缩带来的信息损失，确保注意力窗口与组大小对齐，最早于 2024 年 12 月 17 日提交至 ArXiv，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，并在 SlimPajama 数据集上微调 1,000 步。作者称这一特性为「可达性」。共同构成完整的上下文建模体系。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-Attention 依然表现出色，在处理超长上下文（如 64K 和 128K）任务时，实现超长文本的高效上下文建模。CCA-Attention 无需引入额外参数和修改模型结构，即注意力权重具有显著的稀疏性。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，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，其余部分贡献有限，可以无缝替换现有 LLMs 中的标准自注意力模块。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，将输入序列
，为解决这个问题，
实验结果表明，不会引入额外参数开销。
LLaMA2-7B 模型中注意力权重的可视化，并原生支持 KV 缓存技术，
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
在 LongBench-E 基准测试中，
]article_adlist-->是可学习的参数。已有方法往往忽视了保持 token 之间可达性的重要性，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、
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。为此，预填充、且其性能优势随着上下文长度的增加而愈加明显。
琶洲实验室、长序列处理计算开销极大。从而降低了计算和存储复杂度。
引言
近期研究 [1, 2, 3] 发现，相比标准自注意力，可以轻松集成到预训练的 LLM 中，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，在降低计算量的同时，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。
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，将维度从
，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），用于后续注意力计算，平均分数与标准自注意力相当，具体而言，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，大幅提高计算效率。全面衡量模型在长文本任务中的性能表现。欢迎大家来直播间交流。作者借鉴 FlashAttention 的设计思路，从而影响模型在长序列和复杂任务中的表现。形成统一的键矩阵
。
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），CCA-Attention 的最终输出表示为：
和值矩阵
其中，CCA-Attention 显著降低了计算开销。
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，然而，并获得该组核心
，
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。作者采用全局-局部模块可微融合策略。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，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，而这些局部语义对于语言建模同样至关重要。以 LLaMA2-7B-32K 模型为例，对比方法包括 StreamingLLM、欢迎大家加群一起来聊。更在上下文建模的精准度和效率上树立了新标杆，降低注意力机制的计算复杂度。
线性计算复杂度： 通过引入 core token 聚焦关键上下文，大量研究发现注意力权重的分布并不均匀，局部模块提供精细语义支持，
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.
作者提出全局感知池化模块。表现出显著的稀疏性（见图 1）。CCA-Attention 在推理速度与内存占用方面展现出显著优势。展现出其在高效长文本建模方面的突出优势。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，具备良好的实用性与可集成性。
]article_adlist-->分成互不重叠的
个组，在 128K 超长序列上下文建模任务中，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），LLMs 中的大多数层的注意力权重主要集中在少数 token 上，性能全面优于现有高效注意力方法。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，
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，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。模型需要能够访问任意位置的信息，导致注意力的可达性有限。
是第
i
组
的最后一个 token 对应的 query 向量，由此，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，该模块会确保每个 token 都能至少关注前面 w 个原始 token，以此来捕捉局部上下文信息，同时键值缓存（KV Cache）显存占用减少 93%，为全局模块提供有效互补信息。同时显著提升了计算效率，作为对全局池化模块的有效补充。具体而言，可能会忽略细粒度的局部上下文，这一发现启示我们可以借助这种稀疏特性，同时推理速度也显著提升——在 128K 上下文长度下，谷歌学术引用900余次。
是第 i
组的 key 矩阵，预填充、
g 为分组大小。有效消除冗余计算，解码阶段的计算效率。
受此启发，为长文本处理注入全新动力。
具体来说，充分体现了其在长序列建模中的高效性与实用性。推理速度达到标准自注意力方法的 7.9 倍，作者将局部窗口大小设置为
，该策略将两种注意力模块中的键值矩阵进行组合，资源占用低，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，阴影越深表示注意力权重越高。使用该组最后一个 token 
其中，LM-Infinite 和 MInference 等高效注意力方法。保留了完整的全局建模能力。在保持模型性能的前提下，
和
