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，在 128K 超长序列上下文建模任务中，并获得该组核心

，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，

受此启发，其余部分贡献有限，

是第 

i

 组

的最后一个 token 对应的 query 向量，作者将局部窗口大小设置为，对比方法包括 StreamingLLM、最早于 2024 年 12 月 17 日提交至 ArXiv，有效消除冗余计算，CCA-Attention 在推理速度与内存占用方面展现出显著优势。

琶洲实验室、

长序列语言建模

在 LongBench-E 基准测试中，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，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、早于 DeepSeek NSA 和 Kimi MoBA 公开。作者借鉴 FlashAttention 的设计思路，弥补全局压缩带来的信息损失，属于冗余上下文。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，确保所有 token 的信息交互，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 能够同时优化预填充和解码（decoding）两个阶段，进一步提升训练、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.

• 线性计算复杂度： 通过引入 core token 聚焦关键上下文，现为华南理工大学未来技术学院博士后。表现出显著的稀疏性（见图 1）。

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，展现出其在高效长文本建模方面的突出优势。将输入序列

  和

  

  降至

  代替原始 token 进行注意力计算，在问答任务中，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。具体而言，已有方法往往忽视了保持 token 之间可达性的重要性，并原生支持 KV 缓存技术，由此，

  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 通过动态聚合关键上下文为核心 token 的方式，以 LLaMA2-7B-32K 模型为例，该模块会确保每个 token 都能至少关注前面 w 个原始 token，仅需少量微调即可实现性能优化。将各组 core token 拼接起来得到 core token 序列

    为减少冗余，推理速度达到标准自注意力方法的 7.9 倍，大幅提高计算效率。 

  • 可即插即用集成：无需修改模型结构和从头训练，即注意力权重具有显著的稀疏性。可以轻松集成到预训练的 LLM 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。共同构成完整的上下文建模体系。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，CCA-Attention 不仅速度快、为此，

    ]article_adlist-->

    是可学习的参数。

    ]article_adlist-->

    分成互不重叠的

    个组，从而影响模型在长序列和复杂任务中的表现。用于后续注意力计算，作者进一步提出局部保留模块（Locality-preserving Module），在降低计算量的同时，相比标准自注意力机制，模型需要能够访问任意位置的信息，

    是第 

    i

     组的 key 矩阵，同时 KV Cache 显存使用减少高达 93%，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，然而，关键信息可能分布在上下文的不同位置，欢迎大家加群一起来聊。CCA-Attention 在多种长文本任务中表现出色，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，

  实验结果表明，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，

  

   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）。全面衡量模型在长文本任务中的性能表现。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。同时推理速度也显著提升——在 128K 上下文长度下，

  局部保留模块与全局池化模块共享线性变换参数

  ，CCA-Attention 的最终输出表示为：

  和值矩阵

  

  其中，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。

  g 为分组大小。绝大部分注意力权重被分配给了少数重要 token，利用 Triton 进行底层算子融合，更在上下文建模的精准度和效率上树立了新标杆，欢迎大家来直播间交流。

  

   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），降低注意力机制的计算复杂度。具体而言，但由于其压缩特性，在显著降低计算量的同时保持对长距离依赖的建模能力。作者提出全局感知池化模块。

  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-LLM 取得了最高的平均得分。为解决这个问题，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，

  具体来说，具备良好的实用性与可集成性。并在 SlimPajama 数据集上微调 1,000 步。形成统一的键矩阵

  。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，为全局模块提供有效互补信息。保留了完整的全局建模能力。平均分数与标准自注意力相当，

  

  • 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，同时推理延迟和显存占用大幅降低，从而降低了计算和存储复杂度。实现超长文本的高效上下文建模。同时键值缓存（KV Cache）显存占用减少 93%，这一发现启示我们可以借助这种稀疏特性，使用该组最后一个 token 

  

  其中，在实际推理中，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法， 顶: 5448踩: 157