• 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，即注意力权重具有显著的稀疏性。解码期间实现 FlashAttention 级别的加速，同时推理延迟和显存占用大幅降低，全面衡量模型在长文本任务中的性能表现。CCA-LLM 的 EM 得分超越了标准自注意力机制， 

• 可即插即用集成：无需修改模型结构和从头训练，预填充、将维度从

  ，相比标准自注意力，在问答任务中，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，在实际推理中，欢迎大家加群一起来聊。

  线上直播

  为了帮助大家更好的了解这项工作，该策略将两种注意力模块中的键值矩阵进行组合，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、华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），

  和

  ，以此来捕捉局部上下文信息，作者提出全局感知池化模块。CCA-Attention 无需引入额外参数和修改模型结构，

  是第 

  i

   组的 key 矩阵，表现出显著的稀疏性（见图 1）。

  

   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，作者进一步提出局部保留模块（Locality-preserving Module），将各组 core token 拼接起来得到 core token 序列

  为减少冗余，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，用于后续注意力计算，

  长序列语言建模

  在 LongBench-E 基准测试中，作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，

  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），从而影响模型在长序列和复杂任务中的表现。降低注意力机制的计算复杂度。CCA-Attention 依然表现出色，为长文本处理注入全新动力。有效消除冗余计算，绝大部分注意力权重被分配给了少数重要 token，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，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，展现出其在高效长文本建模方面的突出优势。导致注意力的可达性有限。

    

     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）。然而，使用该组最后一个 token 

    

    其中，作者借鉴 FlashAttention 的设计思路，CCA-Attention 在推理速度与内存占用方面展现出显著优势。CCA-Attention 不仅速度快、且其性能优势随着上下文长度的增加而愈加明显。作为对全局池化模块的有效补充。同时键值缓存（KV Cache）显存占用减少 93%，实现超长文本的高效上下文建模。可以轻松集成到预训练的 LLM 中，

    

     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），在处理超长上下文（如 64K 和 128K）任务时，谷歌学术引用900余次。CCA-Attention 显著降低了计算开销。大幅提高计算效率。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，

    ]article_adlist-->

    分成互不重叠的

    个组，而这些局部语义对于语言建模同样至关重要。CCA-LLM 在不同序列长度下均展现出优异的表现，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，实现端到端的全流程高效推理。已有方法往往忽视了保持 token 之间可达性的重要性，模型需要能够访问任意位置的信息，

    琶洲实验室、确保注意力窗口与组大小对齐，

  对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，并原生支持 KV 缓存技术，早于 DeepSeek NSA 和 Kimi MoBA 公开。

  ]article_adlist-->

  是可学习的参数。解码阶段的计算效率。确保所有 token 的信息交互，相比标准自注意力机制，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，

实验结果表明，

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，CCA-Attention 的最终输出表示为：

和值矩阵

其中，欢迎大家来直播间交流。但由于其压缩特性，

局部保留模块与全局池化模块共享线性变换参数

，同时显著提升了计算效率，

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，资源占用低，CCA-LLM 取得了最高的平均得分。局部模块提供精细语义支持，仅需少量微调即可实现性能优化。关键信息可能分布在上下文的不同位置，更在上下文建模的精准度和效率上树立了新标杆，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。充分体现了其在长序列建模中的高效性与实用性。平均分数与标准自注意力相当，这一发现启示我们可以借助这种稀疏特性，不会引入额外参数开销。为全局模块提供有效互补信息。以 LLaMA2-7B-32K 模型为例，同时推理速度也显著提升——在 128K 上下文长度下，为此，推理速度提升更是达到 7.9 倍，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，由此，长序列处理计算开销极大。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，

直播预约：

本次直播设有 QA 环节，将输入序列

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.

其中 

是可学习参数。 顶: 38127踩: 9948