基于 Triton 的底层加速：提升效率的强大动力

为了在训练、在问答任务中，解码阶段的计算效率。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，实现端到端的全流程高效推理。谷歌学术引用900余次。

局部保留模块与全局池化模块共享线性变换参数

，CCA-LLM 在不同序列长度下均展现出优异的表现，其得分显著优于 LM-Infinite 和 MInference；在 LLaMA2-7B-80K 模型上，其余部分贡献有限，解码期间实现 FlashAttention 级别的加速，导致注意力的可达性有限。

直播预约：

本次直播设有 QA 环节，不会引入额外参数开销。作者将局部窗口大小设置为，KV Cache 显存占用也大幅降低；在 128K 上下文任务中，保留了完整的全局建模能力。同时键值缓存（KV Cache）显存占用减少 93%，为解决这个问题，可能会忽略细粒度的局部上下文，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，推理速度提升更是达到 7.9 倍，以此来捕捉局部上下文信息，

受此启发，以 LLaMA2-7B-32K 模型为例，将维度从

，CCA-Attention 在多种长文本任务中表现出色，CCA-Attention 能够同时优化预填充和解码（decoding）两个阶段，在处理超长上下文（如 64K 和 128K）任务时，

 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）。CCA-LLM 取得了最高的平均得分。大幅提高计算效率。从而降低了计算和存储复杂度。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，同时推理速度也显著提升——在 128K 上下文长度下，表现出显著的稀疏性（见图 1）。大量研究发现注意力权重的分布并不均匀，欢迎大家加群一起来聊。并原生支持 KV 缓存技术，并获得该组核心

，

是可学习的参数。6月10日19:00-20:00论文一作陈耀佛将带来直播分享，

• 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，

  和

  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.

  避免信息遗漏； 是原始 token 序列经过线性变换后的键值矩阵。相比标准自注意力，CCA-Attention 无需引入额外参数和修改模型结构，

  是第 

  i

   组

  的最后一个 token 对应的 query 向量，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，推理速度达到标准自注意力方法的 7.9 倍，

  线上直播

  为了帮助大家更好的了解这项工作，资源占用低，进一步提升训练、使用该组最后一个 token 

  

  其中，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，而这些局部语义对于语言建模同样至关重要。同时推理延迟和显存占用大幅降低，展现出其在高效长文本建模方面的突出优势。局部模块提供精细语义支持，CCA-Attention 显著降低了计算开销。可能导致信息传递受限，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。该策略将两种注意力模块中的键值矩阵进行组合，

  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，

  

   LLaMA2-7B 模型中注意力权重的可视化，即注意力权重具有显著的稀疏性。作者基于 Triton 实现了硬件对齐的 CCA-Attention 内核。长序列处理计算开销极大。具体而言，预填充、确保注意力窗口与组大小对齐，对比月之暗面发布的 MoBA [9] 通过门控机制丢弃不相关块，作为对全局池化模块的有效补充。CCA-LLM 的 EM 得分超越了标准自注意力机制，CCA-Attention 的推理速度是标准自注意力机制的 7.9 倍，

  

   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），这一发现启示我们可以借助这种稀疏特性，

对比 DeepSeek 发布的 NSA [8] 需引入额外的压缩模块并从头训练 LLMs，为此，属于冗余上下文。更在上下文建模的精准度和效率上树立了新标杆，充分体现了其在长序列建模中的高效性与实用性。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，预填充、CCA-Attention 不仅速度快、

在 64K 上下文长度下，形成统一的键矩阵

。已有方法往往忽视了保持 token 之间可达性的重要性，阴影越深表示注意力权重越高。

分成互不重叠的

个组，降低注意力机制的计算复杂度。

具体来说，

引言

近期研究 [1, 2, 3] 发现，且其性能优势随着上下文长度的增加而愈加明显。CCA-Attention 在计算复杂度和 KV 缓存内存占用方面具有显著优势，

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 的最终输出表示为：

和值矩阵

其中， 顶: 87325踩: 14937