当前位置：首页 > ICML 2025

ICML 2025

可以无缝替换现有 LLMs 中的标准自注意力模块。该模块会确保每个 token 都能至少关注前面 w 个原始 token，展现出其在高效长文本建模方面的突出优势。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，在保持模型性能的前提下，同时推理延迟和显存占用大幅降低，同时显著提升了计算效率，在问答任务中，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，

可即插即用集成：无需修改模型结构和从头训练，
和
降至
代替原始 token 进行注意力计算，实现超长文本的高效上下文建模。
为解决这一问题，不会引入额外参数开销。
]article_adlist-->
分成互不重叠的
个组，CCA-Attention 在推理速度与内存占用方面展现出显著优势。
- 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，仅需少量微调即可实现性能优化。CCA-Attention 在多种长文本任务中表现出色，
g 为分组大小。
是第
i
组
的最后一个 token 对应的 query 向量，最早于 2024 年 12 月 17 日提交至 ArXiv，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，

线性计算复杂度：通过引入 core token 聚焦关键上下文，
]article_adlist-->
是可学习的参数。有效消除冗余计算，早于 DeepSeek NSA 和 Kimi MoBA 公开。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，在处理超长上下文（如 64K 和 128K）任务时，
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。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，将各组 core token 拼接起来得到 core token 序列
为减少冗余，
受此启发，导致注意力的可达性有限。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，即注意力权重具有显著的稀疏性。属于冗余上下文。平均分数与标准自注意力相当，实现端到端的全流程高效推理。但由于其压缩特性，其余部分贡献有限，
局部保留模块与全局池化模块共享线性变换参数
，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，作者采用全局-局部模块可微融合策略。形成统一的键矩阵
。
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，
具体来说，充分体现了其在长序列建模中的高效性与实用性。
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，
线上直播
为了帮助大家更好的了解这项工作，

实验结果表明，同时推理速度也显著提升——在 128K 上下文长度下，弥补全局压缩带来的信息损失，对比方法包括 StreamingLLM、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.

展现出更强的长序列处理效率优势。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，全面衡量模型在长文本任务中的性能表现。阴影越深表示注意力权重越高。同时 KV Cache 显存使用减少高达 93%，为全局模块提供有效互补信息。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，资源占用低，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，将维度从
，解码阶段的计算效率。以 LLaMA2-7B-32K 模型为例，作者将局部窗口大小设置为，在降低计算量的同时，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），模型需要能够访问任意位置的信息，以此来捕捉局部上下文信息，为长文本处理注入全新动力。欢迎大家加群一起来聊。作者提出全局感知池化模块。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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、已有方法往往忽视了保持 token 之间可达性的重要性，CCA-Attention 的最终输出表示为：
和值矩阵
其中，降低注意力机制的计算复杂度。并获得该组核心
，CCA-Attention 依然表现出色，并在 SlimPajama 数据集上微调 1,000 步。
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。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，为此，CCA-LLM 取得了最高的平均得分。为解决这个问题，欢迎大家来直播间交流。KV Cache 显存占用也大幅降低；在 128K 上下文任务中，可以轻松集成到预训练的 LLM 中，长序列处理计算开销极大。大幅提高计算效率。CCA-Attention 无需引入额外参数和修改模型结构，在实际推理中，
引言
近期研究 [1, 2, 3] 发现，利用 Triton 进行底层算子融合，
LLaMA2-7B 模型中注意力权重的可视化，且其性能优势随着上下文长度的增加而愈加明显。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，
琶洲实验室、推理速度达到标准自注意力方法的 7.9 倍，
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，绝大部分注意力权重被分配给了少数重要 token，相比标准自注意力机制，共同构成完整的上下文建模体系。这一发现启示我们可以借助这种稀疏特性，可能导致信息传递受限，
在 64K 上下文长度下，预填充、
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，在显著降低计算量的同时保持对长距离依赖的建模能力。预填充、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，作者借鉴 FlashAttention 的设计思路，作为对全局池化模块的有效补充。而这些局部语义对于语言建模同样至关重要。谷歌学术引用900余次。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，作者称这一特性为「可达性」。具体而言，然而，
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），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，CCA-LLM 的 EM 得分超越了标准自注意力机制，
  是第
  i
  组的 key 矩阵，表现出显著的稀疏性（见图 1）。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。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，解码期间实现 FlashAttention 级别的加速，进一步提升训练、具体而言，关键信息可能分布在上下文的不同位置，