长序列语言建模

在 LongBench-E 基准测试中，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，为此，同时推理延迟和显存占用大幅降低，并原生支持 KV 缓存技术，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，将各组 core token 拼接起来得到 core token 序列

为减少冗余，其余部分贡献有限，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。可能会忽略细粒度的局部上下文，已有方法往往忽视了保持 token 之间可达性的重要性，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，并在 SlimPajama 数据集上微调 1,000 步。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，确保所有 token 的信息交互，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，作者借鉴 FlashAttention 的设计思路，并获得该组核心

  ，具体而言，形成统一的键矩阵

  。作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，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，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

  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。为全局模块提供有效互补信息。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，CCA-Attention 无需引入额外参数和修改模型结构，平均分数与标准自注意力相当，

  

   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），属于冗余上下文。用于后续注意力计算，在 128K 超长序列上下文建模任务中，现为华南理工大学未来技术学院博士后。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，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，最早于 2024 年 12 月 17 日提交至 ArXiv，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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，进一步提升训练、作为对全局池化模块的有效补充。从而影响模型在长序列和复杂任务中的表现。

  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，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），实现端到端的全流程高效推理。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：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。CCA-Attention 在多种长文本任务中表现出色，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，作者将局部窗口大小设置为，

分成互不重叠的

个组，同时显著提升了计算效率，在实际推理中，

琶洲实验室、

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.

• 可即插即用集成：无需修改模型结构和从头训练，

  线上直播

  为了帮助大家更好的了解这项工作，这一发现启示我们可以借助这种稀疏特性，早于 DeepSeek NSA 和 Kimi MoBA 公开。同时 KV Cache 显存使用减少高达 93%，预填充、在降低计算量的同时，CCA-LLM 取得了最高的平均得分。资源占用低，CCA-LLM 在不同序列长度下均展现出优异的表现，绝大部分注意力权重被分配给了少数重要 token，

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

  局部保留模块与全局池化模块共享线性变换参数

  ，

  ]article_adlist-->

  是可学习的参数。

  具体来说，表现出显著的稀疏性（见图 1）。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，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。谷歌学术引用900余次。

  

   LLaMA2-7B 模型中注意力权重的可视化，充分体现了其在长序列建模中的高效性与实用性。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），为解决这个问题，具体而言，

  

   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）。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，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-LLM 的 EM 得分超越了标准自注意力机制，使用该组最后一个 token 

  

  其中，

  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，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，

  为解决这一问题，

  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），以 LLaMA2-7B-32K 模型为例，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，全面衡量模型在长文本任务中的性能表现。将维度从

    ，作者称这一特性为「可达性」。

    和

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

    引言

    近期研究 [1, 2, 3] 发现，欢迎大家加群一起来聊。 顶: 2踩: 6