Transformer模型流程图
想象一下，你向模型输入“the cat sat on the mat”这句话，希望它能准确预测下一个单词。这个看似简单的动作，实际上完整呈现了Transformer模型内部各组件精密协作的全过程。每个词（即token）在这趟“旅程”中，都会依次经过多个设计巧妙的模块。接下来，我们就沿着数据流动的路径，一步步拆解其中的运作机制。
进入模型前的数据准备
原始文本进入模型的第一步，是将其切分为标准化的token单元，这一步称为分词。现代分词器通常不采用完整的单词切割方式，而是使用更细粒度的子词单元。例如，“cat”可能对应token ID 537，“sat”对应1024。这些分词器内部维护着一个词汇表，规模通常在5万到10万个token之间。
分词完成后，每个token ID需要通过嵌入表查询，转换为高维向量，即词嵌入。假设模型采用768维的嵌入维度，那么“cat”将被表示为一个包含768个浮点数的向量。值得关注的是，经过充分训练后，语义相近的词（如“cat”与“kitten”）在向量空间中的距离会非常接近。
然而，纯词嵌入存在一个本质缺陷：它无法区分“cat sat on mat”和“mat sat on cat”这类语序差异。为了解决顺序信息缺失的问题，模型为每个位置引入了“位置编码”。它利用正弦和余弦函数为每个位置生成独特的向量，并直接叠加到词嵌入上。这样一来，虽然第一个位置的“the”和第二个位置的“cat”是同一个词，但它们当前的向量表示完全不同。
位置编码的数学公式如下：PE(pos, 2i) = sin(pos/10000^(2i/d_model))，以及PE(pos, 2i+1) = cos(pos/10000^(2i/d_model))。经过位置编码后，每个token的768维向量不仅携带了“它是什么词”的语义信息，还包含了“它在句子中的位置”这一结构信息。
Transformer层的内部工作原理
大语言模型通常由12到96个这样的Transformer块堆叠而成。每一层内部都包含两个核心组件。
首先是多头注意力机制，这也是Transformer最具革命性的创新。假设模型配置了12个注意力头，每个头会专注于不同的语言模式：例如第1头可能侧重主谓关系，捕捉“cat”与“sat”之间的关联；第3头可能处理介词短语，识别“on the mat”的结构；而第8头则负责捕获长距离依赖，将句首与句尾的元素联系起来。
注意力的计算逻辑并不复杂：每个token会生成Query、Key、Value三个向量；随后Query与所有其他token的Key进行相似度计算，得到注意力分数；这些分数经过softmax归一化转换为权重，最后用权重对Value向量进行加权求和。最终结果是，例如“cat”这个token的Query向量在与句中所有token的Key向量计算相似度后，如果发现与“sat”的相似度最高，那么“cat”的新表示就会更多地融入“sat”的信息。
多头机制的巧妙之处在于，它使模型能够同时关注多种语言关系。12个头并行工作，每个头输出一个64维的向量（因为768/12=64），最后拼接成一个完整的768维输出。
第二个核心组件是前馈神经网络。注意力机制主要负责信息交换，而FFN负责信息加工。它是一个两层的全连接网络：第一层将768维扩展到3072维（通常是4倍），并使用ReLU激活函数；第二层再将3072维压缩回768维。FFN对每个token独立处理，可以将其理解为对注意力层输出的“深度加工”，它擅长识别复杂的特征组合，例如“动物+动作”这样的语义模式。
最后不能忽略残差连接与层归一化。每个子层（注意力和FFN）都配备残差连接，即输出 = 子层输出 + 输入。这能有效防止信息在深层网络中丢失。层归一化则负责稳定训练过程，避免激活值过大或过小。这两项设计是保证模型能够堆叠至很深层次的关键因素。
多层堆叠的实际效果
12层Transformer的处理过程是逐层递进的。前几层主要聚焦局部语法结构，例如词性、短语边界；中间层开始处理句法关系，如主谓宾结构；后几层则整合语义信息，理解整句话的真实含义。随着层数增加，token的表示也越来越抽象。例如“cat”的向量表示，在第1层后可能仅包含“名词”信息；到了第6层后，可能已经包含了“句子主语”信息；而到第12层后，它已经演化为“执行坐这个动作的猫”这样一个完整的语义概念。
最终预测输出
经过所有Transformer层的处理，每个token都获得了一个极为丰富的768维表示。对于生成任务而言，模型会重点关注最后一个token（这里即“mat”）的表示。
最后一步，线性投影层将该768维向量投影到词汇表大小。假设词汇表包含50257个词，那么这一步的输出就是一个50257维的向量，每个维度对应一个可能的下一个token。此处的权重矩阵，就是词汇表中每个词对应的“解码”向量。
随后，使用Softmax函数对原始分数（也称为logits）进行归一化，将其转换为概率分布。所有概率之和恰好为1。最终的结果可能呈现为：“purred”概率0.15、“meowed”概率0.12、“jumped”概率0.08、“exploded”概率0.0001……模型通常会选择概率最高的token，但有时也会采用采样策略，以增加输出结果的多样性。
整个过程的精妙之处在于，模型学会了将离散的语言符号映射到一个连续的向量空间，在这个空间中执行复杂的几何变换以捕捉语言规律，最后再映射回离散的词汇空间，产生最终的输出。每一个数字、每一次矩阵乘法，背后承载的都是对语言结构深刻而精准的理解。
