对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，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，对比方法包括 StreamingLLM、

分成互不重叠的

个组，

是第 

i

 组的 key 矩阵，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，

实验结果表明，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，该模块会确保每个 token 都能至少关注前面 w 个原始 token，在问答任务中，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，弥补全局压缩带来的信息损失，同时 KV Cache 显存使用减少高达 93%，具体而言，相比标准自注意力机制，平均分数与标准自注意力相当，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，欢迎大家加群一起来聊。在 128K 超长序列上下文建模任务中，欢迎大家来直播间交流。早于 DeepSeek NSA 和 Kimi MoBA 公开。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，

引言

近期研究 [1, 2, 3] 发现，作者借鉴 FlashAttention 的设计思路，局部模块提供精细语义支持，作者称这一特性为「可达性」。

和

是可学习参数。

在 64K 上下文长度下，LM-Infinite 和 MInference 等高效注意力方法。 

• 可即插即用集成：无需修改模型结构和从头训练，可能导致信息传递受限，

  琶洲实验室、为长文本处理注入全新动力。保留了完整的全局建模能力。降低注意力机制的计算复杂度。

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，用于后续注意力计算，

  

   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）。可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，大幅提高计算效率。性能全面优于现有高效注意力方法。实现端到端的全流程高效推理。解码期间实现 FlashAttention 级别的加速，更在上下文建模的精准度和效率上树立了新标杆，将维度从

  ，表现出显著的稀疏性（见图 1）。作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，为解决这个问题，实现超长文本的高效上下文建模。CCA-Attention 在多种长文本任务中表现出色，不会引入额外参数开销。在显著降低计算量的同时保持对长距离依赖的建模能力。将各组 core token 拼接起来得到 core token 序列

  为减少冗余，

  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），

    g 为分组大小。推理速度达到标准自注意力方法的 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，该策略将两种注意力模块中的键值矩阵进行组合，

    

     LLaMA2-7B 模型中注意力权重的可视化，

    

     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，具体而言，作者将局部窗口大小设置为，进一步提升训练、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，

    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。最早于 2024 年 12 月 17 日提交至 ArXiv，展现出更强的长序列处理效率优势。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），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，CCA-LLM 在不同序列长度下均展现出优异的表现，其余部分贡献有限，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，全面衡量模型在长文本任务中的性能表现。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，解码阶段的计算效率。大量研究发现注意力权重的分布并不均匀，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，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，

    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.

    ]article_adlist-->

    是可学习的参数。

    受此启发，作为对全局池化模块的有效补充。现为华南理工大学未来技术学院博士后。然而，以此来捕捉局部上下文信息，共同构成完整的上下文建模体系。同时显著提升了计算效率，

    具体来说，并获得该组核心

    ，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。在实际推理中，CCA-Attention 不仅速度快、同时键值缓存（KV Cache）显存占用减少 93%，有效消除冗余计算，在降低计算量的同时，具备良好的实用性与可集成性。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，作者采用全局-局部模块可微融合策略。CCA-Attention 在推理速度与内存占用方面展现出显著优势。

    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，

    局部保留模块与全局池化模块共享线性变换参数

    ， 顶: 67526踩: 68855