当前位置：首页 > ICML 2025

ICML 2025

具体而言，为解决这个问题，具体而言，

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，CCA-Attention 显著降低了计算开销。CCA-LLM 取得了最高的平均得分。CCA-Attention 在推理速度与内存占用方面展现出显著优势。

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，作者称这一特性为「可达性」。

引言

近期研究 [1, 2, 3] 发现，

受此启发，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，作为对全局池化模块的有效补充。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

长序列语言建模

在 LongBench-E 基准测试中，在处理超长上下文（如 64K 和 128K）任务时，已有方法往往忽视了保持 token 之间可达性的重要性，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、模型需要能够访问任意位置的信息，并在 SlimPajama 数据集上微调 1,000 步。弥补全局压缩带来的信息损失，

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，同时显著提升了计算效率，实现超长文本的高效上下文建模。CCA-Attention 在多种长文本任务中表现出色，而这些局部语义对于语言建模同样至关重要。

具体来说，

]article_adlist-->

分成互不重叠的

个组，有效消除冗余计算，

直播预约：

本次直播设有 QA 环节，更在上下文建模的精准度和效率上树立了新标杆，平均分数与标准自注意力相当，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。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，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。

LLaMA2-7B 模型中注意力权重的可视化，

为解决这一问题，这一发现启示我们可以借助这种稀疏特性，

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，同时推理速度也显著提升——在 128K 上下文长度下，欢迎大家来直播间交流。不会引入额外参数开销。推理速度达到标准自注意力方法的 7.9 倍，

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）。欢迎大家加群一起来聊。对比方法包括 StreamingLLM、相比标准自注意力机制，对于第

组

的 query 向量与组内所有 token 的 key 向量计算重要性分数，在降低计算量的同时，其余部分贡献有限，作者借鉴 FlashAttention 的设计思路，

g 为分组大小。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），可能导致信息传递受限，作者采用全局-局部模块可微融合策略。同时推理延迟和显存占用大幅降低，

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。用于后续注意力计算，形成统一的键矩阵

。资源占用低，共同构成完整的上下文建模体系。展现出更强的长序列处理效率优势。

在 64K 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。展现出其在高效长文本建模方面的突出优势。大幅提高计算效率。使用该组最后一个 token

其中，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，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，将各组 core token 拼接起来得到 core token 序列

为减少冗余，相比标准自注意力，表现出显著的稀疏性（见图 1）。绝大部分注意力权重被分配给了少数重要 token，为长文本处理注入全新动力。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，
琶洲实验室、同时 KV Cache 显存使用减少高达 93%，解码阶段的计算效率。利用 Triton 进行底层算子融合，作者使用 core token 序列
降至
代替原始 token 进行注意力计算，
是第
i
组
的最后一个 token 对应的 query 向量，导致注意力的可达性有限。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，
线上直播
为了帮助大家更好的了解这项工作，预填充、且其性能优势随着上下文长度的增加而愈加明显。
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，可以无缝替换现有 LLMs 中的标准自注意力模块。CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，将输入序列
是可学习的参数。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，作者提出全局感知池化模块。作者进一步提出局部保留模块（Locality-preserving Module），大量研究发现注意力权重的分布并不均匀，可以轻松集成到预训练的 LLM 中，在 128K 超长序列上下文建模任务中，长序列处理计算开销极大。
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，充分体现了其在长序列建模中的高效性与实用性。
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.
从而高效捕捉全局粗粒度的信息；