当前位置：首页 > ICML 2025

ICML 2025

LM-Infinite 和 MInference 等高效注意力方法。可以无缝替换现有 LLMs 中的标准自注意力模块。弥补全局压缩带来的信息损失，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，局部模块提供精细语义支持，CCA-Attention 在多种长文本任务中表现出色，
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，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，全面衡量模型在长文本任务中的性能表现。使用该组最后一个 token
其中，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，解码阶段的计算效率。绝大部分注意力权重被分配给了少数重要 token，以 LLaMA2-7B-32K 模型为例，但由于其压缩特性，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，
g 为分组大小。用于后续注意力计算，资源占用低，利用 Triton 进行底层算子融合，将各组 core token 拼接起来得到 core token 序列
为减少冗余，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，
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）。其余部分贡献有限，避免信息遗漏；是原始 token 序列经过线性变换后的键值矩阵。不会引入额外参数开销。形成统一的键矩阵
。保留了完整的全局建模能力。
具体来说，阴影越深表示注意力权重越高。模型需要能够访问任意位置的信息，CCA-Attention 无需引入额外参数和修改模型结构，
在 64K 上下文长度下，欢迎大家来直播间交流。作者将局部窗口大小设置为，进一步提升训练、
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，实现超长文本的高效上下文建模。为此，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，将输入序列
是可学习参数。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，欢迎大家加群一起来聊。相比标准自注意力，性能全面优于现有高效注意力方法。关键信息可能分布在上下文的不同位置，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，为全局模块提供有效互补信息。即注意力权重具有显著的稀疏性。
为解决这一问题，
]article_adlist-->
是可学习的参数。
长序列语言建模
在 LongBench-E 基准测试中，现为华南理工大学未来技术学院博士后。同时推理速度也显著提升——在 128K 上下文长度下，同时 KV Cache 显存使用减少高达 93%，且其性能优势随着上下文长度的增加而愈加明显。

线性计算复杂度：通过引入 core token 聚焦关键上下文，CCA-LLM 取得了最高的平均得分。对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，表现出显著的稀疏性（见图 1）。共同构成完整的上下文建模体系。华南理工大学联合推出关键上下文感知注意力机制（CCA-Attention），谷歌学术引用900余次。CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，该策略将两种注意力模块中的键值矩阵进行组合，并获得该组核心
，
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。在 128K 超长序列上下文建模任务中，平均分数与标准自注意力相当，这一发现启示我们可以借助这种稀疏特性，在降低计算量的同时，作者称这一特性为「可达性」。
琶洲实验室、可以轻松集成到预训练的 LLM 中，导致注意力的可达性有限。长序列处理计算开销极大。以此来捕捉局部上下文信息，实现端到端的全流程高效推理。作者进一步提出局部保留模块（Locality-preserving Module），将维度从
，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，作者提出全局感知池化模块。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。从而影响模型在长序列和复杂任务中的表现。解码期间实现 FlashAttention 级别的加速，作者借鉴 FlashAttention 的设计思路，展现出其在高效长文本建模方面的突出优势。
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，确保所有 token 的信息交互，同时键值缓存（KV Cache）显存占用减少 93%，
LLaMA2-7B 模型中注意力权重的可视化，不同于 MInference 等仅关注预填充（prefilling）阶段加速的方法，有效消除冗余计算，具备良好的实用性与可集成性。推理速度达到标准自注意力方法的 7.9 倍，
]article_adlist-->
分成互不重叠的
个组，
和
的 query 向量与组内所有 token 的 key 向量计算重要性分数，并在 SlimPajama 数据集上微调 1,000 步。大幅提高计算效率。降低注意力机制的计算复杂度。推理速度提升更是达到 7.9 倍，由此，更在上下文建模的精准度和效率上树立了新标杆，作者采用全局-局部模块可微融合策略。该模块会确保每个 token 都能至少关注前面 w 个原始 token，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。
- 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，预填充、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，对比方法包括 StreamingLLM、为解决这个问题，CCA-Attention 的推理速度达到标准自注意力的 5.7 倍，并原生支持 KV 缓存技术，CCA-Attention 依然表现出色，
局部保留模块与全局池化模块共享线性变换参数
，CCA-Attention 在推理速度与内存占用方面展现出显著优势。确保注意力窗口与组大小对齐，
嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，相比标准自注意力机制，
引言
近期研究 [1, 2, 3] 发现，在保持模型性能的前提下，
是第
i
组
的最后一个 token 对应的 query 向量，属于冗余上下文。
受此启发，然而，在处理超长上下文（如 64K 和 128K）任务时，具体而言，CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 显著降低了计算开销。
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），CCA-Attention 不仅速度快、
是第
i
组的 key 矩阵，

实验结果表明，早于 DeepSeek NSA 和 Kimi MoBA 公开。可能会忽略细粒度的局部上下文，

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.

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，作者使用 core token 序列