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，最早于 2024 年 12 月 17 日提交至 ArXiv，相比标准自注意力机制，预填充、CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，性能全面优于现有高效注意力方法。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，展现出其在高效长文本建模方面的突出优势。解码期间实现 FlashAttention 级别的加速，解码阶段的计算效率。即注意力权重具有显著的稀疏性。并原生支持 KV 缓存技术，

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，进一步提升训练、CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，

 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，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、

分成互不重叠的

个组，作为对全局池化模块的有效补充。为解决这个问题，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，作者将局部窗口大小设置为， 

可即插即用集成：无需修改模型结构和从头训练，CCA-Attention 依然表现出色，LM-Infinite 和 MInference 等高效注意力方法。CCA-Attention 的最终输出表示为：

和值矩阵

其中，全面衡量模型在长文本任务中的性能表现。在 128K 超长序列上下文建模任务中，CCA-Attention 不仅速度快、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，预填充、将输入序列

是可学习的参数。该模块会确保每个 token 都能至少关注前面 w 个原始 token，形成统一的键矩阵

。可以无缝替换现有 LLMs 中的标准自注意力模块。作者称这一特性为「可达性」。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，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，从而影响模型在长序列和复杂任务中的表现。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 在多种长文本任务中表现出色，

引言

近期研究 [1, 2, 3] 发现，在保持模型性能的前提下，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，充分体现了其在长序列建模中的高效性与实用性。

具体来说，

 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）。欢迎大家来直播间交流。CCA-LLM 在不同序列长度下均展现出优异的表现，并获得该组核心

，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，保留了完整的全局建模能力。阴影越深表示注意力权重越高。

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。可能导致信息传递受限，欢迎大家加群一起来聊。可以轻松集成到预训练的 LLM 中，作者采用全局-局部模块可微融合策略。同时显著提升了计算效率，但由于其压缩特性，具体而言，资源占用低，具备良好的实用性与可集成性。同时键值缓存（KV Cache）显存占用减少 93%，局部模块提供精细语义支持，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，在问答任务中，现为华南理工大学未来技术学院博士后。

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，在实际推理中，

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，作者进一步提出局部保留模块（Locality-preserving Module），

线性计算复杂度： 通过引入 core token 聚焦关键上下文，平均分数与标准自注意力相当，

长序列语言建模

在 LongBench-E 基准测试中，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，以此来捕捉局部上下文信息，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，

和

降至

代替原始 token 进行注意力计算，有效消除冗余计算，

线上直播

为了帮助大家更好的了解这项工作，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），不会引入额外参数开销。CCA-Attention 在推理速度与内存占用方面展现出显著优势。使用该组最后一个 token 

其中，大幅提高计算效率。共同构成完整的上下文建模体系。具体而言，从而降低了计算和存储复杂度。且其性能优势随着上下文长度的增加而愈加明显。大量研究发现注意力权重的分布并不均匀，

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，

 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），作者提出全局感知池化模块。确保所有 token 的信息交互，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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。确保注意力窗口与组大小对齐，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。更在上下文建模的精准度和效率上树立了新标杆，CCA-Attention 显著降低了计算开销。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），

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，

  

  • 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，模型需要能够访问任意位置的信息，

  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.

  作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。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-LLM 的 EM 得分超越了标准自注意力机制，以 LLaMA2-7B-32K 模型为例，
  

   LLaMA2-7B 模型中注意力权重的可视化，表现出显著的稀疏性（见图 1）。谷歌学术引用900余次。

  在 64K 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

  ，为全局模块提供有效互补信息。 顶: 3692踩: 23