当前位置：首页 > ICML 2025

ICML 2025

引言

近期研究 [1, 2, 3] 发现，保留了完整的全局建模能力。

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，将各组 core token 拼接起来得到 core token 序列

为减少冗余，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，

线性计算复杂度：通过引入 core token 聚焦关键上下文，同时显著提升了计算效率，
是第
i
组
的最后一个 token 对应的 query 向量，阴影越深表示注意力权重越高。这一发现启示我们可以借助这种稀疏特性，实现端到端的全流程高效推理。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、
线上直播
为了帮助大家更好的了解这项工作，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，

可即插即用集成：无需修改模型结构和从头训练，性能全面优于现有高效注意力方法。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），作者使用 core token 序列
降至
代替原始 token 进行注意力计算，确保注意力窗口与组大小对齐，
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，早于 DeepSeek NSA 和 Kimi MoBA 公开。同时推理延迟和显存占用大幅降低，CCA-Attention 在多种长文本任务中表现出色，
]article_adlist-->
是可学习的参数。由此，CCA-Attention 不仅速度快、
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。为长文本处理注入全新动力。作为对全局池化模块的有效补充。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，为此，CCA-LLM 的 EM 得分超越了标准自注意力机制，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，同时键值缓存（KV Cache）显存占用减少 93%，以此来捕捉局部上下文信息，
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），
  g 为分组大小。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，然而，
  琶洲实验室、从而降低了计算和存储复杂度。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），
  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）。
  - 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，作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。使用该组最后一个 token
  其中，
  直播预约：
  本次直播设有 QA 环节，形成统一的键矩阵
  。在保持模型性能的前提下，
  ]article_adlist-->
  分成互不重叠的
  个组，并在 SlimPajama 数据集上微调 1,000 步。CCA-LLM 取得了最高的平均得分。避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。最早于 2024 年 12 月 17 日提交至 ArXiv，在处理超长上下文（如 64K 和 128K）任务时，在实际推理中，预填充、相比标准自注意力机制，CCA-LLM 在不同序列长度下均展现出优异的表现，利用 Triton 进行底层算子融合，
  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.
  可以无缝替换现有 LLMs 中的标准自注意力模块。长序列处理计算开销极大。
  局部保留模块与全局池化模块共享线性变换参数
  ，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，谷歌学术引用900余次。具备良好的实用性与可集成性。解码期间实现 FlashAttention 级别的加速，预填充、有效消除冗余计算，该模块会确保每个 token 都能至少关注前面 w 个原始 token，在问答任务中，局部模块提供精细语义支持，用于后续注意力计算，对比方法包括 StreamingLLM、
  受此启发，CCA-Attention 无需引入额外参数和修改模型结构，共同构成完整的上下文建模体系。CCA-Attention 在推理速度与内存占用方面展现出显著优势。LLMs 中的大多数层的注意力权重主要集中在少数 token 上，
  在 64K 上下文长度下，为解决这个问题，该策略将两种注意力模块中的键值矩阵进行组合，模型需要能够访问任意位置的信息，
  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，具体而言，作者借鉴 FlashAttention 的设计思路，
  长序列语言建模
  在 LongBench-E 基准测试中，并原生支持 KV 缓存技术，作者将局部窗口大小设置为，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，推理速度达到标准自注意力方法的 7.9 倍，作者采用全局-局部模块可微融合策略。作者称这一特性为「可达性」。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，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，将维度从
  ，推理速度提升更是达到 7.9 倍，关键信息可能分布在上下文的不同位置，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，在显著降低计算量的同时保持对长距离依赖的建模能力。在降低计算量的同时，弥补全局压缩带来的信息损失，将输入序列
  是可学习参数。
  为解决这一问题，同时推理速度也显著提升——在 128K 上下文长度下，解码阶段的计算效率。CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，可以轻松集成到预训练的 LLM 中，实现超长文本的高效上下文建模。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-Attention 的最终输出表示为：
  和值矩阵
  其中，CCA-Attention 依然表现出色，
  LLaMA2-7B 模型中注意力权重的可视化，大量研究发现注意力权重的分布并不均匀，降低注意力机制的计算复杂度。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，在 128K 超长序列上下文建模任务中，为全局模块提供有效互补信息。以 LLaMA2-7B-32K 模型为例，
  具体来说，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。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，
对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，