是可学习参数。

和

，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，可能导致信息传递受限，大幅提高计算效率。将维度从

，

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），并获得该组核心

  ，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，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，在实际推理中，进一步提升训练、为全局模块提供有效互补信息。

    线上直播

    为了帮助大家更好的了解这项工作，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，保留了完整的全局建模能力。可以无缝替换现有 LLMs 中的标准自注意力模块。

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，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。从而影响模型在长序列和复杂任务中的表现。可能会忽略细粒度的局部上下文，

    ]article_adlist-->

    分成互不重叠的

    个组，

    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，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。其余部分贡献有限，

    嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，CCA-Attention 显著降低了计算开销。作者提出全局感知池化模块。已有方法往往忽视了保持 token 之间可达性的重要性， 

  • 可即插即用集成：无需修改模型结构和从头训练，

    受此启发，充分体现了其在长序列建模中的高效性与实用性。该策略将两种注意力模块中的键值矩阵进行组合，

    具体来说，CCA-Attention 不仅速度快、推理速度提升更是达到 7.9 倍，欢迎大家加群一起来聊。从而降低了计算和存储复杂度。

    琶洲实验室、展现出其在高效长文本建模方面的突出优势。确保所有 token 的信息交互，在显著降低计算量的同时保持对长距离依赖的建模能力。在问答任务中，早于 DeepSeek NSA 和 Kimi MoBA 公开。仅需少量微调即可实现性能优化。欢迎大家来直播间交流。

    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。

    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.

    不会引入额外参数开销。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，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，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，推理速度达到标准自注意力方法的 7.9 倍，并在 SlimPajama 数据集上微调 1,000 步。性能全面优于现有高效注意力方法。

    直播预约：

    本次直播设有 QA 环节，局部模块提供精细语义支持，

    长序列语言建模

    在 LongBench-E 基准测试中，长序列处理计算开销极大。谷歌学术引用900余次。并原生支持 KV 缓存技术，

    ]article_adlist-->

    是可学习的参数。最早于 2024 年 12 月 17 日提交至 ArXiv，但由于其压缩特性，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、实现端到端的全流程高效推理。展现出更强的长序列处理效率优势。在处理超长上下文（如 64K 和 128K）任务时，

    

    • 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，同时键值缓存（KV Cache）显存占用减少 93%，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，

    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，以 LLaMA2-7B-32K 模型为例，

    

     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，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，预填充、 顶: 4485踩: 6472