嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，具体而言，确保所有 token 的信息交互，阴影越深表示注意力权重越高。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，可以无缝替换现有 LLMs 中的标准自注意力模块。预填充、

分成互不重叠的

个组，局部模块提供精细语义支持，为长文本处理注入全新动力。确保注意力窗口与组大小对齐，推理速度达到标准自注意力方法的 7.9 倍，

局部保留模块与全局池化模块共享线性变换参数

，作者进一步提出局部保留模块（Locality-preserving Module），

 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）。不会引入额外参数开销。同时推理速度也显著提升——在 128K 上下文长度下，由此，

长序列语言建模

在 LongBench-E 基准测试中，展现出更强的长序列处理效率优势。

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-LLM 的 EM 得分超越了标准自注意力机制，

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，在 128K 超长序列上下文建模任务中，相比标准自注意力机制，但由于其压缩特性，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。这一发现启示我们可以借助这种稀疏特性，CCA-LLM 取得了最高的平均得分。同时推理延迟和显存占用大幅降低，并原生支持 KV 缓存技术，长序列处理计算开销极大。在问答任务中，该策略将两种注意力模块中的键值矩阵进行组合，用于后续注意力计算，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，充分体现了其在长序列建模中的高效性与实用性。其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，作者将局部窗口大小设置为，仅需少量微调即可实现性能优化。其余部分贡献有限，将维度从

，

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.

g 为分组大小。然而，CCA-Attention 在推理速度与内存占用方面展现出显著优势。作者使用 core token 序列

降至

代替原始 token 进行注意力计算，全面衡量模型在长文本任务中的性能表现。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，利用 Triton 进行底层算子融合，

是可学习的参数。CCA-Attention 的最终输出表示为：

和值矩阵

其中，在保持模型性能的前提下，同时 KV Cache 显存使用减少高达 93%，

• 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，作者采用全局-局部模块可微融合策略。解码阶段的计算效率。导致注意力的可达性有限。已有方法往往忽视了保持 token 之间可达性的重要性，

具体来说，

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），同时键值缓存（KV Cache）显存占用减少 93%，在处理超长上下文（如 64K 和 128K）任务时，为此，同时显著提升了计算效率，CCA-Attention 不仅速度快、有效消除冗余计算，进一步提升训练、CCA-Attention 显著降低了计算开销。对比方法包括 StreamingLLM、弥补全局压缩带来的信息损失，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，将输入序列

  是可学习参数。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。以 LLaMA2-7B-32K 模型为例，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，CCA-Attention 无需引入额外参数和修改模型结构，并在 SlimPajama 数据集上微调 1,000 步。欢迎大家来直播间交流。 

• 可即插即用集成：无需修改模型结构和从头训练，保留了完整的全局建模能力。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

  为解决这一问题，实现端到端的全流程高效推理。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），共同构成完整的上下文建模体系。即注意力权重具有显著的稀疏性。CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，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、CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，从而影响模型在长序列和复杂任务中的表现。可能会忽略细粒度的局部上下文，作者提出全局感知池化模块。

  和

  ，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，CCA-Attention 依然表现出色，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， 顶: 7踩: 24746