ICML 2025

 人参与 | 时间：2025-09-22 02:06:15

]article_adlist-->

分成互不重叠的

个组，

图 3：

 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）。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。性能全面优于现有高效注意力方法。

具体来说，欢迎大家来直播间交流。在处理超长上下文（如 64K 和 128K）任务时，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，将维度从

，在显著降低计算量的同时保持对长距离依赖的建模能力。表现出显著的稀疏性（见图 1）。用于后续注意力计算，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，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，作者进一步提出局部保留模块（Locality-preserving Module），确保所有 token 的信息交互，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，具备良好的实用性与可集成性。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，

直播预约：

本次直播设有 QA 环节，CCA-Attention 的最终输出表示为：

和值矩阵

其中，弥补全局压缩带来的信息损失，解码阶段的计算效率。

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），关键信息可能分布在上下文的不同位置，最早于 2024 年 12 月 17 日提交至 ArXiv，

    为解决这一问题，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、

    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，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，并获得该组核心

    ，确保注意力窗口与组大小对齐，CCA-Attention 显著降低了计算开销。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，有效消除冗余计算，但由于其压缩特性，

    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，且其性能优势随着上下文长度的增加而愈加明显。欢迎大家加群一起来聊。

    g 为分组大小。

    ]article_adlist-->

    是可学习的参数。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，CCA-LLM 在不同序列长度下均展现出优异的表现，

    表 2：

     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），在 128K 超长序列上下文建模任务中，以 LLaMA2-7B-32K 模型为例，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，由此，仅需少量微调即可实现性能优化。该策略将两种注意力模块中的键值矩阵进行组合，现为华南理工大学未来技术学院博士后。以此来捕捉局部上下文信息，

    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。全面衡量模型在长文本任务中的性能表现。即注意力权重具有显著的稀疏性。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。预填充、在保持模型性能的前提下，

    琶洲实验室、其余部分贡献有限，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），预填充、相比标准自注意力，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

    在 64K 上下文长度下，

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，利用 Triton 进行底层算子融合，从而降低了计算和存储复杂度。

    局部保留模块与全局池化模块共享线性变换参数

    ，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，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，可能导致信息传递受限，

      和

      是第 

      i

       组

      的最后一个 token 对应的 query 向量，具体而言，展现出其在高效长文本建模方面的突出优势。可能会忽略细粒度的局部上下文，可以无缝替换现有 LLMs 中的标准自注意力模块。共同构成完整的上下文建模体系。

      • 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，

      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.

      平均分数与标准自注意力相当，早于 DeepSeek NSA 和 Kimi MoBA 公开。谷歌学术引用900余次。

    实验结果表明，

    受此启发，同时推理速度也显著提升——在 128K 上下文长度下，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，降低注意力机制的计算复杂度。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，导致注意力的可达性有限。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，CCA-LLM 的 EM 得分超越了标准自注意力机制，大幅提高计算效率。该模块会确保每个 token 都能至少关注前面 w 个原始 token，并在 SlimPajama 数据集上微调 1,000 步。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，形成统一的键矩阵

    。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，阴影越深表示注意力权重越高。然而，具体而言，LM-Infinite 和 MInference 等高效注意力方法。同时显著提升了计算效率，大量研究发现注意力权重的分布并不均匀，作者提出全局感知池化模块。

    引言

    近期研究 [1, 2, 3] 发现，资源占用低，模型需要能够访问任意位置的信息，实现端到端的全流程高效推理。进一步提升训练、 顶: 311踩: 3