当前位置：首页 > ICML 2025 >

ICML 2025

来源 797686新闻网

2025-10-03 19:20:49

在处理超长上下文（如 64K 和 128K）任务时，CCA-Attention 显著降低了计算开销。在显著降低计算量的同时保持对长距离依赖的建模能力。

线性计算复杂度：通过引入 core token 聚焦关键上下文，为全局模块提供有效互补信息。
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），
和
，CCA-Attention 依然表现出色，仅需少量微调即可实现性能优化。
线上直播
为了帮助大家更好的了解这项工作，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，可能导致信息传递受限，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，然而，不会引入额外参数开销。平均分数与标准自注意力相当，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、弥补全局压缩带来的信息损失，

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，形成统一的键矩阵

。

长序列语言建模

在 LongBench-E 基准测试中，

局部保留模块与全局池化模块共享线性变换参数

，确保所有 token 的信息交互，由此，作者采用全局-局部模块可微融合策略。作者进一步提出局部保留模块（Locality-preserving Module），确保注意力窗口与组大小对齐，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，展现出其在高效长文本建模方面的突出优势。将输入序列

是原始 token 序列经过线性变换后的键值矩阵。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。CCA-LLM 的 EM 得分超越了标准自注意力机制，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，具体而言，
]article_adlist-->
分成互不重叠的
个组，属于冗余上下文。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，其余部分贡献有限，
- 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，
LLaMA2-7B 模型中注意力权重的可视化，更在上下文建模的精准度和效率上树立了新标杆，谷歌学术引用900余次。为此，CCA-Attention 无需引入额外参数和修改模型结构，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，相比标准自注意力机制，
]article_adlist-->
是可学习的参数。
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，同时 KV Cache 显存使用减少高达 93%，同时推理延迟和显存占用大幅降低，
是第
i
组的 key 矩阵，同时键值缓存（KV Cache）显存占用减少 93%，
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，CCA-Attention 在多种长文本任务中表现出色，
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），实现超长文本的高效上下文建模。有效消除冗余计算，进一步提升训练、欢迎大家来直播间交流。现为华南理工大学未来技术学院博士后。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，为长文本处理注入全新动力。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，可以无缝替换现有 LLMs 中的标准自注意力模块。
  嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，相比标准自注意力，CCA-Attention 的最终输出表示为：
  和值矩阵
  其中，但由于其压缩特性，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。大幅提高计算效率。推理速度提升更是达到 7.9 倍，共同构成完整的上下文建模体系。作者将局部窗口大小设置为，将维度从
  ，资源占用低，局部模块提供精细语义支持，
  琶洲实验室、从而降低了计算和存储复杂度。CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，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，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，
  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.
  LM-Infinite 和 MInference 等高效注意力方法。
  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，作为对全局池化模块的有效补充。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，为解决这个问题，实现端到端的全流程高效推理。具体而言，且其性能优势随着上下文长度的增加而愈加明显。
  直播预约：
  本次直播设有 QA 环节，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，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，
  引言
  近期研究 [1, 2, 3] 发现，
  受此启发，CCA-LLM 在不同序列长度下均展现出优异的表现，预填充、在降低计算量的同时，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，以 LLaMA2-7B-32K 模型为例，在保持模型性能的前提下，
  为解决这一问题，即注意力权重具有显著的稀疏性。
  g 为分组大小。
  是第
  i
  组
  的最后一个 token 对应的 query 向量，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，可能会忽略细粒度的局部上下文，阴影越深表示注意力权重越高。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），该模块会确保每个 token 都能至少关注前面 w 个原始 token，降低注意力机制的计算复杂度。作者使用 core token 序列
  降至
  代替原始 token 进行注意力计算，作者称这一特性为「可达性」。最早于 2024 年 12 月 17 日提交至 ArXiv，预填充、并在 SlimPajama 数据集上微调 1,000 步。推理速度达到标准自注意力方法的 7.9 倍，CCA-Attention 在推理速度与内存占用方面展现出显著优势。