01 详细解释
它的核心是自注意力:序列里每个位置都能直接「看」到其他所有位置,一次算完,不用像 RNN 那样逐个传递。这让训练可以高度并行,才撑得起千亿参数的规模。
一个 Transformer 层由注意力 + 前馈网络组成,堆几十到上百层。今天的变化(RoPE、MoE、MLA)都是在它骨架上做局部替换,而不是换掉整体。
它的核心是自注意力:序列里每个位置都能直接「看」到其他所有位置,一次算完,不用像 RNN 那样逐个传递。这让训练可以高度并行,才撑得起千亿参数的规模。
一个 Transformer 层由注意力 + 前馈网络组成,堆几十到上百层。今天的变化(RoPE、MoE、MLA)都是在它骨架上做局部替换,而不是换掉整体。
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。
下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。