Transformer 不完全图解：一个 AI 工程师需要理解到多深？

Thu, 06 Nov 2025 21:00:00 +0800

Transformer 不完全图解：一个 AI 工程师需要理解到多深？

做 AI 应用开发，不一定要会手推反向传播，但理解 Transformer 的基本工作原理非常有价值。这篇文章结合经典文章《The Illustrated Transformer》与《LLM 安全 | 大语言模型应用安全入门》中的图解，从零梳理我最常被人问到的几个核心问题。

一、为什么 AI 工程师需要懂 Transformer？

我自己是从 Java 后端转型到 AI 工程的，最初有个困惑：

「我只是调用 LLM API，为什么要懂 Transformer？」

后来在实际项目中发现，不懂底层会导致很多问题：

不知道 Token 是怎么切分的，导致成本估算偏差
不理解上下文窗口限制的本质，导致长文本处理方案选错
不明白 Attention 机制，做不好 RAG 和 Prompt 设计
不清楚自回归生成，理解不了为什么 LLM 会"胡编"

你不需要成为算法研究员，但需要知道模型在做什么、能力边界在哪里。

二、一句话理解 LLM：词语接龙预测器

如果你之前对 LLM 略有耳闻，很可能听过这个说法：

LLM 本质上是一个 Next Token Predictor（下一个 Token 预测器），也就是"词语接龙"。

但大多数解释到此为止。真正的问题是：它怎么知道下一个词该接什么？

答案可以简化成三步：

把文字变成数字：用 Embedding 把每个 Token 表示成向量
层层加工语义：用 Transformer 不断提炼上下文信息
输出概率分布：预测词表里每个 Token 出现的可能性，选最可能的那个

flowchart LR
    A["输入文本"] --> B["变成向量"]
    B --> C["多层 Transformer 加工"]
    C --> D["输出概率分布"]
    D --> E["选出下一个 Token"]

    style E fill:#fff4e1

三、从单词到向量：Embedding 是什么？

人类用字母表示单词，比如 C-A-T 表示"猫"。但神经网络只认识数字，所以我们需要把单词映射成词向量（word vector）。

例如，“cat” 可能被表示成这样一个向量：

[0.0074, 0.0030, -0.0105, 0.0742, …, 0.0002]

这个向量的维度通常是 300、1000、1536，甚至像 GPT-3 那样达到 12,288 维。

3.1 词向量的神奇性质

在训练好的词向量空间里，含义相近的词会离得很近。比如 “cat” 附近会有 dog、kitten、pet。

更神奇的是，词向量还能做"语义计算"：

biggest - big + small ≈ smallest
Paris - France + Germany ≈ Berlin
Swiss - Switzerland + Cambodia ≈ Cambodian

这种能力让模型不仅能"认识"词，还能在一定程度上"理解"词之间的关系。

3.2 词向量是怎么得到的？

早期的 word2vec 通过分析大量文本，让模型预测"一个词旁边常出现哪些词"，从而把语义相近的词放到相近的位置。

现代 LLM 不再单独训练词向量，而是把 Embedding 层作为模型的一部分，端到端地训练。但核心思想没变：把离散的符号映射成连续的、有意义的向量。

四、Transformer 总览：数据是怎么流动的？

2017 年，Google 发表论文《Attention Is All You Need》，提出了 Transformer 架构。它彻底改变了 NLP，也是 GPT、Claude、DeepSeek 等模型的基础。

下面这张图是原始 Transformer 的完整结构（包含 Encoder 和 Decoder）：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

4.1 图中这些英文标签是什么意思？

第一次看到这张图，很多人会被里面的英文缩写吓到。其实它们都是高中数学/线性代数里很基础的操作：

标签	全称/含义	简单解释
MatMul	Matrix Multiplication	矩阵乘法。把两个矩阵按规则相乘，是神经网络里最常用的计算。
Dot-Product	点积	两个向量对应位置相乘再相加，结果越大表示两个向量越"像"。Attention 里用 Q 和 K 的点积来衡量"相关性"。
Scale	缩放	把点积结果除以 `√d_k`，防止数值太大导致 Softmax 梯度消失。
Mask	掩码	在 Decoder 里把"未来的 Token"遮起来（变成 -∞），让模型不能偷看答案。Encoder 不需要，所以是 opt.（可选）。
Softmax	归一化指数函数	把任意一组分数变成"概率分布"：都是正数，且加起来等于 1。
Linear	线性层	简单的 `y = xW + b`，也就是对向量做一次线性变换。

对应的标准 Attention 公式也要贴出来：

Attention(Q, K, V) = softmax(QK^T / √d_k) × V

一句话串起来：

Q 和 K 做 MatMul（这一步本质上在计算 Dot-Product）→ Scale → Mask（可选）→ Softmax 得到权重 → 权重再和 V 做 MatMul → 最后过 Linear 层。

对 AI 应用开发者来说，不需要记住每一个方块，但要理解整体数据流：

flowchart TD
    A[输入文本] --> B[Tokenizer<br/>切分成 Token]
    B --> C[Embedding 层<br/>Token → 向量]
    C --> D[位置编码<br/>加入位置信息]
    D --> E[多层 Transformer Block]
    subgraph "一个 Transformer Block 重复 N 次"
        E --> F[Masked Self-Attention<br/>带因果掩码的自注意力]
        F --> G[Add & Norm<br/>残差连接 + 层归一化]
        G --> H[Feed Forward Network<br/>前馈神经网络]
        H --> I[Add & Norm<br/>残差连接 + 层归一化]
    end
    I --> J[线性层 + Softmax]
    J --> K[词表上的概率分布]
    K --> L[采样/取最大概率<br/>得到下一个 Token]
    L --> M[拼回已生成序列<br/>继续预测]
    M --> E

一句话总结：文本先变成向量，再经过多层"Attention + FFN"的处理，最后预测下一个 Token。

五、Transformer 的每一层在做什么？

想象你读一句话：“John wants his bank to cash the “。

第一层 Transformer 可能会发现：wants 和 cash 在这里是动词；第二层会进一步澄清：his 指的是 John，bank 指的是金融机构而不是河岸。

每一层都在前一个层的基础上，给词向量"写注释”，帮助模型理解上下文。

图片来源：《LLM 安全 | 大语言模型应用安全入门》

这些"注释"人类无法直接解读，但它们以数字的形式存储在词向量中，并随着层数增加逐渐丰富。最终，最后一层输出的向量包含了预测下一个 Token 所需的全部信息。

六、从 Token 到向量：输入表示

6.1 Token 与 Embedding

用户输入一句话，比如「你好世界」，模型并不会直接理解汉字。首先要经过 Tokenizer 切分成 Token：

"你好世界" → ["你", "好", "世", "界"]
或
"你好世界" → ["你好", "世界"]

不同模型的 Tokenizer 不同，这也是为什么同样的中文文本，在不同模型里 Token 数可能差很多。

每个 Token 会被映射成一个向量，叫做 Embedding：

"你" → x₁ (一个 d 维向量)
"好" → x₂
"世" → x₃
"界" → x₄

用流程图表示：

flowchart LR
    A["原始文本：<br/>你好世界"] --> B["Tokenizer<br/>分词器"]
    B --> C["Token 序列：<br/>['你', '好', '世', '界']"]
    C --> D["Embedding 层<br/>查表/投影"]
    D --> E["向量序列：<br/>x₁, x₂, x₃, x₄"]

    style A fill:#e1f5e1
    style E fill:#fff4e1

6.2 位置编码

Transformer 本身没有顺序概念（它一次看到所有 Token），所以需要加入位置信息。原始 Transformer 用正弦/余弦函数生成位置编码：

PE(pos, 2i)   = sin(pos / 10000^(2i/d_model))
PE(pos, 2i+1) = cos(pos / 10000^(2i/d_model))

直观理解：位置编码向量的左半部分变化平缓（正弦），右半部分变化较快（余弦），中间会有明显的分隔。

最终输入向量是：

x_i = Embedding(token_i) + PE(pos_i)

flowchart LR
    A["Token Embedding<br/>你 → x₁"] --> C["相加"]
    B["位置编码<br/>pos=1 → PE₁"] --> C
    C --> D["最终输入向量<br/>x₁ + PE₁"]

    style D fill:#fff4e1

为什么需要位置编码？ 因为 Attention 机制本质上是对所有 Token 做"加权平均”，如果不告诉模型"谁在哪个位置"，“我爱你"和"你爱我"对它来说就完全没有区别。

七、Self-Attention：核心计算

7.1 Q、K、V 是怎么来的？

对于每个输入向量 x_i，分别乘以三个权重矩阵，得到：

q_i = x_i × W_q
k_i = x_i × W_k
v_i = x_i × W_v

Q（Query）：当前 Token 在问什么
K（Key）：每个 Token 能提供什么信息
V（Value）：每个 Token 的实际内容

W_q、W_k、W_v 是训练出来的，通过反向传播和梯度下降不断优化。

flowchart TD
    A["输入向量 x_i"] --> B["× W_q"]
    A --> C["× W_k"]
    A --> D["× W_v"]
    B --> E["q_i<br/>查询向量"]
    C --> F["k_i<br/>键向量"]
    D --> G["v_i<br/>值向量"]

    style E fill:#e1f5fe
    style F fill:#e1f5fe
    style G fill:#e1f5fe

7.2 Attention 分数计算：一步一步看

计算每个 Token 对其他 Token 的关注程度：

Attention(Q, K, V) = softmax(Q × K^T / √d_k) × V

以 “q₁”（对应 Token “你”）为例，整个过程可以拆成 4 步：

flowchart TD
    A["步骤 1：算相似度<br/>q₁ × k₁, q₁ × k₂,<br/>q₁ × k₃, q₁ × k₄"] --> B["步骤 2：缩放<br/>每个分数 ÷ √d_k"]
    B --> C["步骤 3：Softmax<br/>变成概率分布<br/>和为 1"]
    C --> D["步骤 4：加权求和<br/>概率 × [v₁, v₂, v₃, v₄]<br/>得到 z₁"]

    style D fill:#fff4e1

更具体地，对于序列中的每个位置：

flowchart LR
    Q1["q₁"] --> S["点积<br/>q₁·k₁, q₁·k₂, q₁·k₃, q₁·k₄"]
    K1["k₁, k₂, k₃, k₄"] --> S
    S --> D["÷ √d_k"]
    D --> SM["Softmax"]
    SM --> W["权重：<br/>0.5, 0.3, 0.1, 0.1"]
    V1["v₁, v₂, v₃, v₄"] --> SUM["加权求和"]
    W --> SUM
    SUM --> Z["z₁ = 0.5v₁ + 0.3v₂ + 0.1v₃ + 0.1v₄"]

    style Z fill:#fff4e1

z₁ 就是 “你” 这个 Token 经过 Self-Attention 后的新表示，它融合了整个句子的信息。

注意：上面的例子假设是双向 Self-Attention（Encoder 场景），所以位置 1 能看到所有位置。如果是 GPT 这类 Decoder-only 模型，由于有因果掩码，位置 1 只能看到自己，结果会变成 z₁ = 1.0 × v₁。只有最后一个位置（比如 z₄）才能看到所有 k₁, k₂, k₃, k₄。

7.3 多头 Attention

实际 Transformer 不会只算一组 Q/K/V，而是算多组（Multi-Head）。最后把多组结果拼接，再乘以 W_o：

Z = Concat(z_0, z_1, ..., z_h) × W_o

多头的好处是：不同头可以关注不同类型的信息，比如一个头关注语法，一个头关注语义。

flowchart TD
    A["输入 X"] --> B1["Head 1"]
    A --> B2["Head 2"]
    A --> B3["Head ..."]
    A --> B4["Head h"]

    B1 --> C1["z₁"]
    B2 --> C2["z₂"]
    B3 --> C3["..."]
    B4 --> C4["zₕ"]

    C1 --> D["Concat<br/>拼接"]
    C2 --> D
    C3 --> D
    C4 --> D

    D --> E["× W_o<br/>线性投影"]
    E --> F["最终输出 Z"]

    style F fill:#fff4e1

7.4 一个完整演算：输入 x₁, x₂，怎么预测 x₃？

前面讲了很多公式，现在用一个具体的 Decoder-only 例子把流程走一遍。

场景：用户已经输入了 x₁, x₂（比如「你」「好」），模型要预测下一个 Token x₃（比如「世」）。

第 1 步：生成 Q、K、V

每个输入向量各自乘以三个权重矩阵：

x₁ → q₁, k₁, v₁
x₂ → q₂, k₂, v₂

第 2 步：应用因果掩码

Decoder 不能偷看未来，所以 2×2 的掩码矩阵是：

[[0, -∞],
 [0,  0]]

含义：

位置 1 只能看到位置 1
位置 2 能看到位置 1 和位置 2

flowchart LR
    subgraph "位置 1"
        A1["只能看到 x₁"]
    end
    subgraph "位置 2"
        A2["可以看到 x₁, x₂"]
    end
    A1 --> A2

第 3 步：计算 z₁

位置 1 被掩码挡住了 x₂，所以：

分数 = [q₁·k₁/√d_k,  -∞]
       ↓ Softmax
权重 = [1.0,  0.0]

z₁ = 1.0 × v₁ + 0.0 × v₂ = v₁

flowchart LR
    Q1["q₁"] --> S["点积<br/>q₁·k₁, -∞"]
    K1["k₁, k₂"] --> S
    S --> D["÷ √d_k"]
    D --> SM["Softmax<br/>→ [1.0, 0.0]"]
    SM --> W["权重"]
    V1["v₁, v₂"] --> SUM["加权求和"]
    W --> SUM
    SUM --> Z["z₁ = v₁"]

    style Z fill:#fff4e1

第 4 步：计算 z₂

位置 2 可以看到 x₁ 和 x₂：

分数 = [q₂·k₁/√d_k,  q₂·k₂/√d_k]
       ↓ Softmax
权重 = [0.3,  0.7]   ← 假设的示例值

z₂ = 0.3 × v₁ + 0.7 × v₂

flowchart LR
    Q2["q₂"] --> S["点积<br/>q₂·k₁, q₂·k₂"]
    K2["k₁, k₂"] --> S
    S --> D["÷ √d_k"]
    D --> SM["Softmax<br/>→ [0.3, 0.7]"]
    SM --> W["权重"]
    V2["v₁, v₂"] --> SUM["加权求和"]
    W --> SUM
    SUM --> Z["z₂ = 0.3v₁ + 0.7v₂"]

    style Z fill:#fff4e1

第 5 步：用 z₂ 预测 x₃

只有最后一个位置 z₂ 才包含"已输入全部信息”，所以：

flowchart LR
    Z2["z₂"] --> L["Linear<br/>线性层"]
    L --> SM["Softmax"]
    SM --> P["词表概率分布"]
    P --> X3["选出概率最大的 Token<br/>即 x₃"]

    style X3 fill:#fff4e1

z₁ 有必要算吗？

这个问题要分"概念上"和"工程实现上"两层来理解。

概念上：如果你只想预测 x₃，那确实只需要 z₂。z₁ 对应的是预测 x₂，不是 x₃。

工程实现上：标准 Transformer 在前向传播时会一次性把 z₁, z₂ 都算出来（因为矩阵运算适合并行）。所以 z₁ 通常还是被算了，只是它的输出被丢弃，不参与生成 x₃。

那因果掩码还有必要吗？

有必要，原因有两个：

架构是统一的：Transformer 不知道你这次只想要 z₂，它仍然按同样的规则处理所有位置。既然要算 z₁，就必须对 z₁ 应用掩码，防止它偷看 x₂。
Prompt 阶段需要并行：实际推理时，对于用户输入的整段 Prompt（比如 [x₁, x₂]），模型通常是一次性并行算出所有位置的，而不是一个一个算。这时候如果不加掩码，z₁ 就会看到后面的 x₂，破坏因果性。

KV Cache 优化：在生成后续 Token 时（比如已经生成到 [x₁, x₂, x₃]，要预测 x₄），工程上会把之前算好的 K、V 缓存起来，只计算新位置。这时 z₁、z₂ 确实不会被重复计算，但因果掩码仍然保留在架构中。

八、看看真实模型长什么样：GPT-3 的维度

理论知识看多了，看看真实模型的尺寸会更有体感。下面是一张手绘风格的 GPT-3 结构图：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

从这张图可以看到几个关键数字：

词向量维度：12,288 —— 每个 Token 用 12,288 个数字表示
上下文长度：2,048 —— GPT-3 一次能处理 2,048 个 Token
层数：96 层 —— 同样的 Transformer Block 重复 96 次
参数量：约 1,750 亿 —— 这些参数就是 W_q、W_k、W_v、W_o、W₁、W₂ 等矩阵

你可以把这些高维向量看作"草稿纸"，前面的层写下的注释可以被后面的层读取和修改，模型就这样逐层加深对上下文的理解。

这也解释了为什么**上下文窗口（context window）**不是无限的：每个 Token 都要和上下文里所有 Token 计算 Attention，长度越长，计算和显存开销越大。

九、Add & Norm 与 FFN

9.1 残差连接

Self-Attention 的输出会做一个残差连接：

Output = LayerNorm(Z + X)

也就是把 Attention 前的输入 X 和 Attention 后的输出 Z 相加，再 Layer Normalization。

残差连接的作用：

缓解梯度消失，帮助深层网络训练
保留原始输入信息，避免 Attention 过度改变表示

flowchart TD
    A["输入 X"] --> B["Self-Attention"]
    B --> C["Z"]
    A --> D["相加<br/>X + Z"]
    C --> D
    D --> E["LayerNorm"]
    E --> F["输出"]

    style F fill:#fff4e1

9.2 Feed Forward Network

每个位置独立经过两层全连接：

FFN(x) = max(0, x × W₁ + b₁) × W₂ + b₂

注意：

中间用 ReLU 激活
通常先升维（4 倍），再降维回原维度
每个位置独立计算，不跨位置交互

FFN 的作用是为模型引入非线性变换能力，增强表达能力。

flowchart LR
    A["输入 x"] --> B["线性层 1<br/>x × W₁ + b₁"]
    B --> C["ReLU 激活<br/>max(0, ...)"]
    C --> D["线性层 2<br/>× W₂ + b₂"]
    D --> E["输出"]

    style E fill:#fff4e1

9.3 一个完整的 Transformer Block

把上面的模块拼起来，就是一个标准的 Transformer Block：

flowchart TD
    A["输入 X"] --> B["Masked Self-Attention"]
    B --> C["X + Attention输出"]
    A --> C
    C --> D["LayerNorm"]
    D --> E["FFN"]
    E --> F["D + FFN输出"]
    D --> F
    F --> G["LayerNorm"]
    G --> H["输出"]

    style H fill:#fff4e1

这个 Block 会重复堆叠几十层（比如 GPT-3 有 96 层）。每一层都在前一层的基础上进一步提炼信息。

十、Decoder 与自回归生成

10.1 编码器 vs 解码器

原始 Transformer 有 Encoder 和 Decoder：

Encoder：读取整个输入序列，生成上下文表示
Decoder：根据已生成的 Token，逐个预测下一个 Token

但我们常用的 GPT、DeepSeek、Claude 等都是 Decoder-only 结构，只有解码器。

flowchart TD
    subgraph "原始 Transformer"
        A["输入序列"] --> B["Encoder"]
        B --> C["上下文表示"]
        C --> D["Decoder"]
        D --> E["输出序列"]
    end

    subgraph "GPT / Claude / DeepSeek<br/>Decoder-only"
        F["已生成 Token"] --> G["Decoder"]
        G --> H["预测下一个 Token"]
        H --> I["拼回输入"]
        I --> F
    end

10.2 因果掩码

Decoder 在训练和推理时都不能偷看未来的 Token，所以要用因果掩码（Causal Mask）。它用一个 4×4 的下三角矩阵表示：

[[0, -∞, -∞, -∞],
 [0,  0, -∞, -∞],
 [0,  0,  0, -∞],
 [0,  0,  0,  0]]

上三角为 -∞，经过 softmax 后变成 0，从而实现"不能看未来"的约束。

flowchart LR
    subgraph "位置 1"
        A1["只能看到自己<br/>你"]
    end
    subgraph "位置 2"
        A2["可以看到<br/>你、好"]
    end
    subgraph "位置 3"
        A3["可以看到<br/>你、好、世"]
    end
    subgraph "位置 4"
        A4["可以看到<br/>你、好、世、界"]
    end

    A1 --> A2 --> A3 --> A4

10.3 预测下一个 Token

Decoder 最后一个位置的隐藏状态 h_t，经过线性层和 softmax，得到词表上的概率分布：

logits = W_o × h_t + b_o
probabilities = softmax(logits)

词表通常有几万维，每一维代表一个 Token 的概率。选择概率最高的 Token 作为输出。

flowchart LR
    A["最后一个隐藏状态 h_t"] --> B["线性层<br/>W_o × h_t + b_o"]
    B --> C["Logits<br/>词表大小维度的分数"]
    C --> D["Softmax"]
    D --> E["概率分布"]
    E --> F["取 argmax<br/>或采样"]
    F --> G["下一个 Token"]

    style G fill:#fff4e1

10.4 为什么预测的是 t+1？

训练时，输入序列的每个位置 i 都对应一个标签：下一个位置 i+1 的 Token。

输入：[你， 好， 世， 界]
标签：[好， 世， 界， EOS]

所以位置 i 的隐状态 h_i 被训练来预测位置 i+1。

推理时，模型每次用已生成的所有 Token 预测下一个 Token，然后把它拼回输入，继续预测。

10.5 自回归生成流程

自回归的核心就是"一步一步来"：

flowchart LR
    A["输入：你"] --> B["预测：好"]
    B --> C["输入：你好"]
    C --> D["预测：世"]
    D --> E["输入：你好世"]
    E --> F["预测：界"]
    F --> G["输入：你好世界"]
    G --> H["预测：EOS"]
    H --> I["结束"]

    style I fill:#fff4e1

10.6 训练 vs 推理：有什么不一样？

flowchart TD
    subgraph 训练阶段
        A["输入：你好世界"] --> B["一次前向传播"]
        B --> C["同时计算所有位置"]
        C --> D["位置1 预测 好<br/>位置2 预测 世<br/>位置3 预测 界<br/>位置4 预测 EOS"]
    end

    subgraph 推理阶段
        E["输入：你"] --> F["预测 好"]
        F --> G["输入：你好"]
        G --> H["预测 世"]
        H --> I["..."]
    end

关键区别：训练时和推理时都会用因果掩码，区别在于——训练时可以一次性输入整句话，并行计算所有位置（同时得到所有位置的预测结果）；推理时只能一个一个地生成，每次把已生成的 Token 拼回去再预测下一个。

10.7 生成什么时候结束？

通常有两个停止条件：

生成了结束符 EOS（End of Sequence）
达到了预设的最大生成长度

实际工程中还会加上停止字符串等兜底策略。

flowchart TD
    A["模型预测下一个 Token"] --> B{"是 EOS 吗？"}
    B -->|是| C["结束生成"]
    B -->|否| D{"超过最大长度？"}
    D -->|是| C
    D -->|否| E["拼回输入<br/>继续预测"]
    E --> A

十一、模型是怎么训练出来的？

理解 Transformer 的结构后，再来看模型是怎么"学会"的。整个过程可以分成两个阶段：

预训练（Pre-training）：让模型学会语言的基本规律
微调（Fine-tuning）：让模型学会遵循指令、生成有用回答

图片来源：《LLM 安全 | 大语言模型应用安全入门》

11.1 预训练：词语接龙

预训练阶段，模型会阅读海量文本（网页、书籍、维基百科等），学习目标很简单：给定前 N 个 Token，预测第 N+1 个 Token。

例如：

今天是个好天气，我准备去____

模型会预测"公园"、“超市”、“图书馆"等词的概率。预测错了就调整参数，预测对了也微调，让概率分布更接近真实世界。

GPT-3 的预训练数据构成如下：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

可以看到：

Common Crawl 占大头，但经过了过滤
WebText2 是高质量网页文本
Books1/Books2 是书籍数据
Wikipedia 虽然量少但质量高

Common Crawl 的数据来源非常广泛：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

预训练完成后得到的是基座模型（Base Model）。它很擅长"续写”，但不一定擅长对话或遵循指令。比如你让它"写一首关于月亮的诗"，它可能只会开始写关于月亮的百科介绍。

11.2 微调：让模型变成"助手"

微调阶段，研究人员会准备大量高质量的"指令-回答"数据对，比如 Alpaca 数据集：

图片来源：《LLM 安全 | 大语言模型应用安全入门》

每一行包含：

Instruction：任务指令
Input：可选的输入上下文
Output：期望的回答
Text：拼接后的完整训练样本

通过在这些数据上继续训练，模型学会了理解指令、按格式输出、拒绝有害请求等能力，最终变成我们日常使用的助手模型（Assistant Model）。

11.3 RLHF：人类反馈强化学习

更进一步的训练还会用到 RLHF（Reinforcement Learning from Human Feedback）：

让模型对同一个问题生成多个回答
人类标注员比较哪个回答更好
用这些比较数据训练一个"奖励模型"
用奖励模型指导基座模型生成更人类喜欢的回答

图片来源：《LLM 安全 | 大语言模型应用安全入门》

为什么用"比较"而不是"写答案"？因为对人类来说，判断哪个回答更好往往比自己写回答容易得多。

十二、上下文窗口的限制

前文提到，Transformer 的上下文窗口不是无限的。GPT-3 只有 2,048 个 Token，GPT-4 后来扩展到 128K，但即便如此，长上下文下的信息检索也会下降。

下面这张图是著名的"大海捞针"测试（Needle In A Haystack）：把一条关键信息藏在长文档的不同位置，然后让模型回答相关问题。

图片来源：《LLM 安全 | 大语言模型应用安全入门》

绿色表示模型能准确找到信息，红色/黄色表示失败。可以看到：

当文档较短时，模型几乎全能找到
当文档很长、且关键信息位于中间位置时，准确率明显下降
这就是常说的 “Lost in the Middle” 问题

对 AI 工程师的启示：

不要把整本书直接塞进 Prompt
做 RAG 时，召回的 chunk 要尽量精准
关键信息尽量放在上下文的开头或结尾

十三、这些知识在工程中有什么用？

13.1 理解 Token 消耗

模型的输入和输出都按 Token 计费。理解 Tokenizer 后，你会知道：

为什么中文比英文更"贵"
为什么同样的 Prompt 在不同模型上价格不同
为什么长文本容易超出上下文窗口

13.2 设计更好的 RAG

Attention 机制让模型能关注输入中的相关信息。做 RAG 时：

召回的 chunk 要尽量相关
上下文不能太长，否则注意力会稀释
关键信息要放在 Prompt 的重要位置

13.3 理解 LLM 的局限性

LLM 是自回归生成，每次只预测下一个 Token，所以会出现"说胡话"
没有真正的推理，只是概率模式匹配
上下文窗口有限，不能无限记忆

这些认知会直接影响你的产品设计方案。

十四、延伸：DeepSeek 的 MLA

传统 Transformer 的 Attention 需要保存每个 Token 的 K 和 V，显存开销大。

DeepSeek 的 MLA（Multi-head Latent Attention） 做了压缩：不再直接存储完整的 K/V，而是存储一个低维的潜在向量，推理时动态解压。

这样显著降低了显存占用，让长上下文推理更便宜。

对于应用开发者来说，这意味着：

长上下文能力的成本在下降
未来可以设计更复杂的 Agent 工作流
但仍要关注 Token 成本

flowchart LR
    subgraph "传统 Attention"
        A1["每个 Token 存储完整 K, V"] --> B1["显存占用大"]
    end

    subgraph "MLA"
        A2["每个 Token 存储低维潜在向量"] --> B2["推理时动态解压为 K, V"]
        B2 --> C2["显存占用小"]
    end

十五、总结

Transformer 不需要你推导每个公式，但核心机制要知道：

输入：Token → Embedding + 位置编码
Attention：Q/K/V 计算，softmax 得到关注权重
残差与 FFN：帮助深层网络训练和非线性表达
Decoder：因果掩码 + 自回归生成
输出：线性层 + softmax 预测下一个 Token
训练：预训练学语言规律，微调学指令遵循

作为 AI 工程师，理解这些不是为了造模型，而是为了更好地使用模型、设计产品、控制成本。

flowchart TD
    A["输入文本"] --> B["Token + Embedding"]
    B --> C["位置编码"]
    C --> D["Multi-Head Self-Attention"]
    D --> E["Add & Norm"]
    E --> F["FFN"]
    F --> G["Add & Norm"]
    G --> H["重复 N 层"]
    H --> I["Linear + Softmax"]
    I --> J["预测下一个 Token"]

    style J fill:#fff4e1

你对 Transformer 的哪个部分最困惑？欢迎在评论区讨论。

参考文章：

Attention on 方糖猫Blog

Transformer 不完全图解：一个 AI 工程师需要理解到多深？

Transformer 不完全图解：一个 AI 工程师需要理解到多深？

一、为什么 AI 工程师需要懂 Transformer？

二、一句话理解 LLM：词语接龙预测器

三、从单词到向量：Embedding 是什么？

3.1 词向量的神奇性质

3.2 词向量是怎么得到的？

四、Transformer 总览：数据是怎么流动的？

4.1 图中这些英文标签是什么意思？

五、Transformer 的每一层在做什么？

六、从 Token 到向量：输入表示

6.1 Token 与 Embedding

6.2 位置编码

七、Self-Attention：核心计算

7.1 Q、K、V 是怎么来的？

7.2 Attention 分数计算：一步一步看

7.3 多头 Attention

7.4 一个完整演算：输入 x₁, x₂，怎么预测 x₃？

第 1 步：生成 Q、K、V

第 2 步：应用因果掩码

第 3 步：计算 z₁

第 4 步：计算 z₂

第 5 步：用 z₂ 预测 x₃

z₁ 有必要算吗？

八、看看真实模型长什么样：GPT-3 的维度

九、Add & Norm 与 FFN

9.1 残差连接

9.2 Feed Forward Network

9.3 一个完整的 Transformer Block

十、Decoder 与自回归生成

10.1 编码器 vs 解码器

10.2 因果掩码

10.3 预测下一个 Token

10.4 为什么预测的是 t+1？

10.5 自回归生成流程

10.6 训练 vs 推理：有什么不一样？

10.7 生成什么时候结束？

十一、模型是怎么训练出来的？

11.1 预训练：词语接龙

11.2 微调：让模型变成"助手"

11.3 RLHF：人类反馈强化学习

十二、上下文窗口的限制

十三、这些知识在工程中有什么用？

13.1 理解 Token 消耗

13.2 设计更好的 RAG

13.3 理解 LLM 的局限性

十四、延伸：DeepSeek 的 MLA

十五、总结