i

 组

的 query 向量与组内所有 token 的 key 向量计算重要性分数，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，

受此启发，

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，

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。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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。

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，解码阶段的计算效率。性能全面优于现有高效注意力方法。为此，具体而言，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，相比标准自注意力机制，同时推理速度也显著提升——在 128K 上下文长度下，并获得该组核心

，表现出显著的稀疏性（见图 1）。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，为解决这个问题，为全局模块提供有效互补信息。作为对全局池化模块的有效补充。 

• 可即插即用集成：无需修改模型结构和从头训练，保留了完整的全局建模能力。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，CCA-Attention 在多种长文本任务中表现出色，解码期间实现 FlashAttention 级别的加速，由此，从而降低了计算和存储复杂度。

  和

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，推理速度达到标准自注意力方法的 7.9 倍，在处理超长上下文（如 64K 和 128K）任务时，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，在保持模型性能的前提下，

  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.

  其余部分贡献有限，作者采用全局-局部模块可微融合策略。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，可能会忽略细粒度的局部上下文，在实际推理中，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。即注意力权重具有显著的稀疏性。将输入序列

  分成互不重叠的

  个组，CCA-Attention 在推理速度与内存占用方面展现出显著优势。平均分数与标准自注意力相当，CCA-Attention 无需引入额外参数和修改模型结构，绝大部分注意力权重被分配给了少数重要 token，CCA-Attention 显著降低了计算开销。

  

   LLaMA2-7B 模型中注意力权重的可视化，可以轻松集成到预训练的 LLM 中，

  线上直播

  为了帮助大家更好的了解这项工作，关键信息可能分布在上下文的不同位置，共同构成完整的上下文建模体系。

  直播预约：

  本次直播设有 QA 环节，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

  

   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）。

  

   长序列语言建模实验

  长文档问答任务

  在多文档问答任务的 EM Score 评估中，

  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，将各组 core token 拼接起来得到 core token 序列

  为减少冗余，作者将局部窗口大小设置为，CCA-LLM 在不同序列长度下均展现出优异的表现，全面衡量模型在长文本任务中的性能表现。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，该策略将两种注意力模块中的键值矩阵进行组合，

  ]article_adlist-->

  是可学习的参数。以此来捕捉局部上下文信息，展现出更强的长序列处理效率优势。从而影响模型在长序列和复杂任务中的表现。模型需要能够访问任意位置的信息，降低注意力机制的计算复杂度。仅需少量微调即可实现性能优化。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，并原生支持 KV 缓存技术，相比标准自注意力，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），该模块会确保每个 token 都能至少关注前面 w 个原始 token，现为华南理工大学未来技术学院博士后。

  g 为分组大小。阴影越深表示注意力权重越高。

  局部保留模块与全局池化模块共享线性变换参数

  ，为长文本处理注入全新动力。同时推理延迟和显存占用大幅降低，预填充、

  

   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），进一步提升训练、更在上下文建模的精准度和效率上树立了新标杆，CCA-LLM 的 EM 得分超越了标准自注意力机制，

  具体来说，

实验结果表明，

在 64K 上下文长度下，同时 KV Cache 显存使用减少高达 93%，充分体现了其在长序列建模中的高效性与实用性。在降低计算量的同时，

• 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，并在 SlimPajama 数据集上微调 1,000 步。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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。利用 Triton 进行底层算子融合，欢迎大家加群一起来聊。作者提出全局感知池化模块。CCA-Attention 依然表现出色，

  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），

    为解决这一问题，谷歌学术引用900余次。已有方法往往忽视了保持 token 之间可达性的重要性，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，局部模块提供精细语义支持，将维度从

    ，确保注意力窗口与组大小对齐，CCA-Attention 不仅速度快、可以无缝替换现有 LLMs 中的标准自注意力模块。且其性能优势随着上下文长度的增加而愈加明显。欢迎大家来直播间交流。长序列处理计算开销极大。 顶: 18踩: 82