01 详细解释
今天的主流大模型几乎都是 decoder-only:训练时用「预测下一个词」,推理时一个一个往外吐,每生成一个 token 就要再跑一遍前向。
这解释了两个体感问题:为什么输出越长越慢(token 是串行的),以及为什么 KV 缓存如此关键(把历史计算结果存下来,避免每步重算)。
只从左往右逐字生成、每次把新词接回输入的架构。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
今天的主流大模型几乎都是 decoder-only:训练时用「预测下一个词」,推理时一个一个往外吐,每生成一个 token 就要再跑一遍前向。
这解释了两个体感问题:为什么输出越长越慢(token 是串行的),以及为什么 KV 缓存如此关键(把历史计算结果存下来,避免每步重算)。
厂商说「用了 GQA」「换成 MoE」「支持百万上下文」时,指的都是这一层的设计。不必会推导公式,但要知道改动影响的是显存、速度还是表达能力。