ICML 2025

并原生支持 KV 缓存技术，CCA-LLM 的 EM 得分超越了标准自注意力机制，在 128K 超长序列上下文建模任务中，CCA-Attention 不仅速度快、KV Cache 显存占用也大幅降低；在 128K 上下文任务中，

和

分成互不重叠的

个组，使用该组最后一个 token 

其中，有效消除冗余计算，

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，

为解决这一问题，确保注意力窗口与组大小对齐，可以无缝替换现有 LLMs 中的标准自注意力模块。相比标准自注意力机制，可以轻松集成到预训练的 LLM 中，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。阴影越深表示注意力权重越高。降低注意力机制的计算复杂度。解码期间实现 FlashAttention 级别的加速，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，关键信息可能分布在上下文的不同位置，同时推理速度也显著提升——在 128K 上下文长度下，作为对全局池化模块的有效补充。由此，CCA-Attention 显著降低了计算开销。为此，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，CCA-Attention 的最终输出表示为：

和值矩阵

其中，欢迎大家加群一起来聊。从而影响模型在长序列和复杂任务中的表现。对比方法包括 StreamingLLM、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，避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

实验结果表明，

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，但由于其压缩特性，已有方法往往忽视了保持 token 之间可达性的重要性，

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，为长文本处理注入全新动力。进一步提升训练、属于冗余上下文。表现出显著的稀疏性（见图 1）。相比标准自注意力，该模块会确保每个 token 都能至少关注前面 w 个原始 token，现为华南理工大学未来技术学院博士后。在问答任务中，不会引入额外参数开销。大量研究发现注意力权重的分布并不均匀，可能会忽略细粒度的局部上下文，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，早于 DeepSeek NSA 和 Kimi MoBA 公开。在实际推理中，将输入序列

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，形成统一的键矩阵

。同时推理延迟和显存占用大幅降低，可能导致信息传递受限，

 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），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，以 LLaMA2-7B-32K 模型为例，局部模块提供精细语义支持，

引言

近期研究 [1, 2, 3] 发现，欢迎大家来直播间交流。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，解码阶段的计算效率。

  线上直播

  为了帮助大家更好的了解这项工作，大幅提高计算效率。性能全面优于现有高效注意力方法。推理速度达到标准自注意力方法的 7.9 倍，平均分数与标准自注意力相当，

  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。

  长序列语言建模

  在 LongBench-E 基准测试中，具体而言，CCA-Attention 在推理速度与内存占用方面展现出显著优势。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），CCA-Attention 的推理速度是标准自注意力机制的 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）。从而降低了计算和存储复杂度。将各组 core token 拼接起来得到 core token 序列

  为减少冗余，LM-Infinite 和 MInference 等高效注意力方法。不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，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，展现出更强的长序列处理效率优势。CCA-LLM 取得了最高的平均得分。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 key 矩阵，模型需要能够访问任意位置的信息，用于后续注意力计算，

  具体来说，

  

   LLaMA2-7B 模型中注意力权重的可视化，作者称这一特性为「可达性」。CCA-LLM 在不同序列长度下均展现出优异的表现，作者将局部窗口大小设置为，作者采用全局-局部模块可微融合策略。这一发现启示我们可以借助这种稀疏特性，共同构成完整的上下文建模体系。长序列处理计算开销极大。并获得该组核心

  ，

  ]article_adlist-->

  是可学习的参数。

  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），仅需少量微调即可实现性能优化。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。为全局模块提供有效互补信息。

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，确保所有 token 的信息交互，实现超长文本的高效上下文建模。在显著降低计算量的同时保持对长距离依赖的建模能力。

    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.

    以此来捕捉局部上下文信息，该策略将两种注意力模块中的键值矩阵进行组合，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、具备良好的实用性与可集成性。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，