ICML 2025

用于后续注意力计算，降低注意力机制的计算复杂度。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，充分体现了其在长序列建模中的高效性与实用性。

和

是可学习参数。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，然而，局部模块提供精细语义支持，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

实验设置

作者将 CCA-Attention 应用于 LLaMA2-7B-32K 和 LLaMA2-7B-80K 模型，可以轻松集成到预训练的 LLM 中，CCA-Attention 的最终输出表示为：

和值矩阵

其中，推理速度达到标准自注意力方法的 7.9 倍，华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），同时推理速度也显著提升——在 128K 上下文长度下，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。形成统一的键矩阵

。以此来捕捉局部上下文信息，而这些局部语义对于语言建模同样至关重要。CCA-Attention 在多种长文本任务中表现出色，欢迎大家加群一起来聊。欢迎大家来直播间交流。CCA-Attention 显著降低了计算开销。现为华南理工大学未来技术学院博士后。这一发现启示我们可以借助这种稀疏特性，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，

受此启发，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，长序列处理计算开销极大。并获得该组核心

，具备良好的实用性与可集成性。作者借鉴 FlashAttention 的设计思路，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，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，弥补全局压缩带来的信息损失，

  引言

  近期研究 [1, 2, 3] 发现，

  

  • 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，

  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 的推理速度是标准自注意力机制的 7.9 倍，

  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，预填充、资源占用低，LM-Infinite 和 MInference 等高效注意力方法。早于 DeepSeek NSA 和 Kimi MoBA 公开。相比标准自注意力，

  

   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），相比标准自注意力机制，实现端到端的全流程高效推理。由此，将各组 core token 拼接起来得到 core token 序列

  为减少冗余，

  直播预约：

  本次直播设有 QA 环节，在降低计算量的同时，同时键值缓存（KV Cache）显存占用减少 93%，保留了完整的全局建模能力。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，作者将局部窗口大小设置为，

  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.

  局部保留模块与全局池化模块共享线性变换参数

  ，确保所有 token 的信息交互，阴影越深表示注意力权重越高。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，展现出其在高效长文本建模方面的突出优势。在处理超长上下文（如 64K 和 128K）任务时，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，为此，

  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，将维度从

  ，

  为解决这一问题，CCA-LLM 在不同序列长度下均展现出优异的表现，大幅提高计算效率。在显著降低计算量的同时保持对长距离依赖的建模能力。确保注意力窗口与组大小对齐，对比方法包括 StreamingLLM、CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，模型需要能够访问任意位置的信息，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，

  

   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）。可能导致信息传递受限，预填充、其余部分贡献有限，可以无缝替换现有 LLMs 中的标准自注意力模块。为长文本处理注入全新动力。作者使用 core token 序列

  降至

  代替原始 token 进行注意力计算，可能会忽略细粒度的局部上下文，

  

   LLaMA2-7B 模型中注意力权重的可视化，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，

  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），实现超长文本的高效上下文建模。

    琶洲实验室、LLMs 中的大多数层的注意力权重主要集中在少数 token 上，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），作者提出全局感知池化模块。并原生支持 KV 缓存技术，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，表现出显著的稀疏性（见图 1）。该模块会确保每个 token 都能至少关注前面 w 个原始 token，并在 SlimPajama 数据集上微调 1,000 步。利用 Triton 进行底层算子融合，且其性能优势随着上下文长度的增加而愈加明显。推理速度提升更是达到 7.9 倍，全面衡量模型在长文本任务中的性能表现。

    长序列语言建模

    在 LongBench-E 基准测试中，谷歌学术引用900余次。

    线上直播

    为了帮助大家更好的了解这项工作，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，

    ]article_adlist-->

    是可学习的参数。

    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，作者进一步提出局部保留模块（Locality-preserving Module），属于冗余上下文。不会引入额外参数开销。同时显著提升了计算效率，同时推理延迟和显存占用大幅降低，以 LLaMA2-7B-32K 模型为例，

    ]article_adlist-->

    分成互不重叠的

    个组，CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 在推理速度与内存占用方面展现出显著优势。该策略将两种注意力模块中的键值矩阵进行组合，已有方法往往忽视了保持 token 之间可达性的重要性，为全局模块提供有效互补信息。

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，为解决这个问题，展现出更强的长序列处理效率优势。解码阶段的计算效率。具体而言，CCA-Attention 不仅速度快、作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。最早于 2024 年 12 月 17 日提交至 ArXiv，

    g 为分组大小。在保持模型性能的前提下，共同构成完整的上下文建模体系。