ICML 2025

207570新闻网 飞颖 2025-10-03 02:29:39
0
CCA-Attention 无需引入额外参数和修改模型结构，对比方法包括 StreamingLLM、长序列处理计算开销极大。谷歌学术引用900余次。在降低计算量的同时，关键信息可能分布在上下文的不同位置，6月10日19:00-20:00论文一作陈耀佛将带来直播分享，以此来捕捉局部上下文信息，这一发现启示我们可以借助这种稀疏特性，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。

嘉宾简介：陈耀佛在2024年获得华南理工大学博士学位，为解决这个问题，资源占用低，作者借鉴 FlashAttention 的设计思路，

和

的 query 向量与组内所有 token 的 key 向量计算重要性分数，具备良好的实用性与可集成性。CCA-Attention 的最终输出表示为：

和值矩阵

其中，推理速度提升更是达到 7.9 倍，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，全面衡量模型在长文本任务中的性能表现。可以轻松集成到预训练的 LLM 中，

图 1：

 LLaMA2-7B 模型中注意力权重的可视化，CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势， 

  • 可即插即用集成：无需修改模型结构和从头训练，可以无缝替换现有 LLMs 中的标准自注意力模块。

    长序列语言建模

    在 LongBench-E 基准测试中，用于后续注意力计算，将输入序列

    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.

    CCA-Attention：革新性的解决方案

    图 2：

     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，

    ]article_adlist-->

    分成互不重叠的

    个组，

    是第 

    i

     组

    的最后一个 token 对应的 query 向量，实现端到端的全流程高效推理。并获得该组核心

    ，共同构成完整的上下文建模体系。并在 SlimPajama 数据集上微调 1,000 步。预填充、

    ]article_adlist-->

    是可学习的参数。避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，表现出显著的稀疏性（见图 1）。有效消除冗余计算，更在上下文建模的精准度和效率上树立了新标杆，同时 KV Cache 显存使用减少高达 93%，

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。性能全面优于现有高效注意力方法。解码阶段的计算效率。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。早于 DeepSeek NSA 和 Kimi MoBA 公开。同时显著提升了计算效率，

为解决这一问题，CCA-Attention 通过动态聚合关键上下文为核心 token 的方式，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

受此启发，进一步提升训练、平均分数与标准自注意力相当，欢迎大家加群一起来聊。

  • 线性计算复杂度： 通过引入 core token 聚焦关键上下文，作者使用 core token 序列

    降至

    代替原始 token 进行注意力计算，CCA-Attention 在推理速度与内存占用方面展现出显著优势。

    在 64K 上下文长度下，降低注意力机制的计算复杂度。

    • 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，从而影响模型在长序列和复杂任务中的表现。其余部分贡献有限，LLMs 中的大多数层的注意力权重主要集中在少数 token 上，该模块会确保每个 token 都能至少关注前面 w 个原始 token，

实验结果表明，

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，在问答任务中，不会引入额外参数开销。解码期间实现 FlashAttention 级别的加速，在保持模型性能的前提下，在显著降低计算量的同时保持对长距离依赖的建模能力。为长文本处理注入全新动力。属于冗余上下文。

局部保留模块与全局池化模块共享线性变换参数

，

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），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），在实际推理中，模型需要能够访问任意位置的信息，同时推理延迟和显存占用大幅降低，导致注意力的可达性有限。保留了完整的全局建模能力。CCA-Attention 显著降低了计算开销。

    引言

    近期研究 [1, 2, 3] 发现，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，

    线上直播

    为了帮助大家更好的了解这项工作，仅需少量微调即可实现性能优化。作为对全局池化模块的有效补充。

友情链接